Skip to main content

00 — Deskripsi mata kuliah & silabus

Tujuan: Memahami deskripsi mata kuliah Statistika dan Probabilitas, tujuan pembelajaran semester, serta peta 16 pertemuan (termasuk UTS dan UAS).

Slide kuliah (Typst):
- Buka presentasi · Unduh PDF
Materi berikutnya: 01 — Pengantar statistika dan jenis data.


Panah kiri/kanan atau spasi untuk berganti slide. Layar penuh · Unduh PDF.

Deskripsi mata kuliah

Statistika dan Probabilitas memberikan pemahaman fundamental mengenai probabilitas dan metode inferensial esensial yang berorientasi pada analisis data modern dan machine learning[cite: 3]. Ruang lingkup paruh pertama mencakup pengantar jenis data, statistika deskriptif, dan visualisasi eksploratif, dilanjutkan dengan pemodelan ketidakpastian melalui teori probabilitas, peluang bersyarat, Teorema Bayes, serta distribusi peubah acak diskret dan kontinu (termasuk Normal dan Eksponensial)[cite: 3, 4].

Fokus paruh kedua semester diletakkan pada statistika inferensial, mencakup distribusi sampling (Teorema Limit Pusat), estimasi parameter, serta uji hipotesis formal (Z, t, Chi-Kuadrat, ANOVA) yang diaplikasikan pada skenario industri seperti A/B Testing[cite: 3]. Semester ini ditutup dengan pemodelan prediktif melalui analisis regresi linier sederhana, regresi berganda, serta pengenalan regresi logistik sebagai transisi menuju pemodelan klasifikasi[cite: 3].

Tujuan pembelajaran

Setelah satu semester, mahasiswa diharapkan mampu:

  1. Menjelaskan ruang lingkup statistika, membedakan jenis data, serta meringkas dan memvisualisasikan data eksploratif menggunakan ukuran pemusatan dan penyebaran[cite: 3, 4].
  2. Memodelkan ketidakpastian komputasional menggunakan teori probabilitas, Teorema Bayes, serta kombinatorika dasar[cite: 3, 4].
  3. Menerapkan distribusi peubah acak diskret (Binomial, Poisson) dan kontinu (Normal, Eksponensial) pada pemodelan kasus nyata[cite: 3].
  4. Melakukan inferensi statistik melalui metode sampling representatif, estimasi parameter, dan pengujian hipotesis (Z, t, Chi-Kuadrat, ANOVA) untuk pengambilan keputusan[cite: 3, 4].
  5. Membangun dan mengevaluasi model hubungan antar variabel menggunakan korelasi dan regresi (linier sederhana/berganda), serta memahami intuisi awal algoritma klasifikasi[cite: 3, 4].

Silabus 16 pertemuan

Pertemuan Topik Pokok bahasan
1 Pengantar statistika dan jenis data Populasi vs sampel; skala pengukuran; statistika deskriptif vs inferensial; bias sampling[cite: 3, 4]
2 Statistika deskriptif: Pemusatan & Visualisasi Mean, median, modus; histogram, box plot, scatter plot[cite: 3, 4]
3 Statistika deskriptif: Penyebaran & Dasar probabilitas Varians, simpangan baku, outlier; pengantar probabilitas & kombinatorika ringkas[cite: 3, 4]
4 Probabilitas lanjutan Peluang bersyarat; independensi; Teorema Bayes pada pemodelan komputasi[cite: 3, 4]
5 Peubah acak diskret Nilai harapan (ekspektasi); distribusi Binomial dan Poisson[cite: 3, 4]
6 Peubah acak kontinu PDF/CDF; distribusi Normal, Eksponensial, Uniform; z-score[cite: 3, 4]
7 Sampling & Distribusi sampling Teknik pengumpulan data (acak, berstrata); Teorema Limit Pusat (CLT)[cite: 3, 4]
8 UTS Evaluasi materi pertemuan 1–7[cite: 3, 4]
9 Estimasi parameter & Interval kepercayaan Estimasi titik; Confidence Interval (CI) untuk rata-rata dan proporsi[cite: 3, 4]
10 Uji hipotesis satu sampel H0/H1; p-value; tipe I/II; uji Z dan uji t[cite: 3, 4]
11 Uji hipotesis dua sampel Uji dua mean (independen/berpasangan); studi kasus A/B Testing[cite: 3, 4]
12 Uji Chi-Kuadrat & ANOVA Goodness-of-fit; independensi; Analisis Varians (ANOVA) satu arah[cite: 3, 4]
13 Korelasi & Regresi linier sederhana Pearson/Spearman; least squares; metrik R² dan residual[cite: 3, 4]
14 Regresi linier berganda Model dengan banyak prediktor; uji F dan uji t koefisien; diagnostik ringkas[cite: 3]
15 Pengantar regresi logistik & Rekapitulasi Intuisi klasifikasi biner vs kontinu; checklist alur Data Science[cite: 3, 4]
16 UAS Seluruh materi inferensial dan prediktif pertemuan 9–15[cite: 3, 4]

Alur ringkas: Pertemuan 1–3 membangun kemampuan eksplorasi dan peringkasan data; pertemuan 4–6 menguatkan nalar ketidakpastian melalui fungsi probabilitas. Setelah menjembatani perilaku sampel ke tingkat populasi melalui Teorema Limit Pusat di pertemuan 7 dan UTS, paruh kedua semester difokuskan sepenuhnya pada pengambilan keputusan berbasis data mulai dari estimasi hingga ANOVA (9–12). Semester kemudian ditutup dengan pemodelan prediktif regresi dan transisi klasifikasi (13–15) sebagai fondasi langsung menuju machine learning.