Statistika dan Sains Data
Seiring dengan pesatnya perkembangan ilmu pengetahuan dan teknologi, kebutuhan akan analisis data yang akurat dan efisien semakin mendesak, menjadikan statistika dan sains data sebagai bidang esensial dalam berbagai sektor, seperti industri, pemerintahan, kesehatan, dan ekonomi. Statistika, yang berfokus pada pengumpulan, pengorganisasian, analisis, dan penyajian data, memungkinkan transformasi data mentah menjadi informasi yang bermakna untuk pengambilan keputusan. Sementara itu, sains data, sebagai bidang interdisipliner yang menggabungkan statistika, ilmu komputer, dan pemahaman konteks masalah, mencakup proses pengambilan, pembersihan, pemodelan, dan visualisasi data dalam skala besar, serta penerapan teknik machine learning dan kecerdasan buatan untuk menemukan pola dan prediksi. Dengan berkembangnya teknologi dan volume data yang terus meningkat, keahlian dalam statistika dan sains data menjadi sangat relevan dan menjadi fondasi penting dalam pengambilan keputusan berbasis data di era transformasi digital. Oleh karena itu, Program Studi S2 Statistika dan Sains Data, IPB University hadir sebagai respons terhadap tuntutan tersebut, bertujuan untuk mempersiapkan lulusan yang kompeten dalam menerapkan teori dan metode statistika serta sains data, guna memecahkan masalah-masalah kompleks dan memberikan solusi berbasis data di berbagai bidang, sekaligus mengembangkan kemampuan riset yang mendalam di dunia yang semakin terhubung dan terdigitalisasi ini.
Sejarah singkat Program StudiStatistika dan Sains Data di Institut Pertanian Bogor (IPB) dimulai pada tahun 1968, yang diawali dengan inisiatif Prof. Andi Hakim Nasoetion (alm) melalui Bagian Biometrik di Fakultas Pertanian. Bagian ini kemudian resmi berdiri sebagai Jurusan Statistika dan Komputasi pada tahun 1972, yang menyelenggarakan program pendidikan sarjana. Sejak tahun 1975, Jurusan Statistika dan Komputasi juga mulai menyelenggarakan program pendidikan magister.
Pada tahun 1975, Program Magister Statistika resmi dimulai bersamaan dengan pendirian Sekolah Pascasarjana IPB. Pada tahap awal, terdapat tujuh jurusan yang dibuka, salah satunya adalah Statistika Terapan, yang menjadi cikal bakal Program Studi S2 Statistika. Program ini dirancang untuk menampung lulusan program
pendidikan sarjana (4 tahun), baik dari IPB maupun institusi lainnya, dengan fokus pada pengembangan program Magister Sains (S2).
Semenjak tahun 1982, menjadi Jurusan Statistika, dan kemudian berubah pada tahun 2004 menjadi Departemen Statistika. Departemen Statistika, IPB berdiri sebagai institusi statistika perintis di Indonesia, menandai keunggulannya dengan menjadi yang pertama menawarkan pendidikan lanjutan di bidang statistika dan sains data yang dinamis. Saat ini, departemen ini menyelenggarakan program komprehensif di tingkat sarjana, magister, dan doktoral, dengan fokus pada domain Statistik dan Sains Data.
Hingga tahun 2020, Departemen Statistika IPB menyelenggarakan dua program studi Magister, yaitu Program Studi S2 Statistika dan Program Studi S2 Statistika Terapan. Namun, setelah tahun 2020, Program Studi S2 Statistika mengalami perubahan nama menjadi Program S2 Statistika dan Sains Data, sementara Program Studi S2 Statistika Terapan tidak lagi menerima mahasiswa baru. Pada tahun 2024, Departemen Statistika, bersama dengan Departemen Matematika dan Departemen Ilmu Komputer, bergabung membentuk Sekolah Sains Data, Matematika, dan Informatika, yang mengakibatkan penghapusan ketiga departemen tersebut. Saat ini, Program Studi S2 Statistika dan Sains Data berada di bawah naungan Sekolah Sains Data, Matematika, dan Informatika didukung oleh 31 orang dosen (S3: 21, S2: 10), dengan 8 di antaranya adalah guru besar.
Dengan program-program tersebut, departemen ini bisa membentuk sumber daya manusia profesional berkaliber tinggi, mendapatkan pengakuan baik di tingkat nasional dan internasional. Institusi, industri, dan badan pemerintahan terkemuka dengan suara bulat membuktikan keandalan dan kemampuan beradaptasi yang cepat dari lulusan Departemen Statistika, yang mahir dalam memenuhi tuntutan dan tantangan dunia kerja kontemporer. Keberhasilan departemen ini dapat dikaitkan dengan proses pembelajaran yang kuat dan masukan luar biasa yang diberikan oleh para mahasiswanya. Kombinasi ini telah mendorong lulusan untuk unggul di bidangnya masing-masing, memberdayakan mereka tidak hanya dalam bidang statistik dan ilmu data tetapi juga dalam berbagai bidang aplikasi.
Khusus Program Magister Statistika dan Sains Data, program ini dirancang untuk menampung 60 mahasiswa setiap tahunnya. Lulusan program ini memiliki keahlian
yang sesuai dengan Kerangka Kualifikasi Nasional Indonesia (KKNI) level 8. Mereka dipersiapkan secara strategis untuk berbagai peran, seperti Manajer kepemimpinan Analisis Data (Kepala Analisis, Manajer Pengolahan Data), peneliti terkemuka (Peneliti Senior, Peneliti Senior Eksekutif, Ahli Statistik Senior), ilmuwan data, dan dosen yang berspesialisasi dalam statistik dan ilmu data.
Visi
-
Misi
-
Capaian Pembelajaran Program Studi
Sikap
(AT) Memiliki kemandirian intelektual dalam berpikir kritis sebagai pembelajar sepanjang hayat
Pengetahuan
(K1) Memiliki pemahaman mendalam mengenai konsep dan teori statistika dan sains data yang mendasari aplikasi analisis data dan pengembangan keilmuan tingkat lanjut
(K2) Memiliki pengetahuan algoritmik mendalam tentang pengelolaan data dan pemrograman yang mendukung analisis statistika/sains data secara lebih customized dan efisien.
(K3) Memiliki pemahaman mendalam tentang teknik pengumpulan data melalui percontohan atau percobaan atau akuisisi data.
(K4) Memiliki pengetahuan yang luas mengenai pemodelan statistika/sains data baik yang bersifat supervised maupun unsupervised learning, serta penyajian yang baik.
Keterampilan
(A1) memiliki kemampuan merancang proses pengumpulan data dan mengelola implementasinya dalam bentuk survei kompleks atau percobaan tingkat lanjut atau akuisisi data dari berbagai sumber database yang mendukung penyelesaian masalah nyata.
(A2) memiliki kemampuan menyusun strategi analisis data dan mengaplikasikannya menggunakan teknik statistika atau statistical machine learning dengan bantuan komputer.
(A3) memiliki kemampuan kontekstualisasi hasil analisis dan pemodelan statistika dan sains data sebagai pendukung pengambilan keputusan
Kompetensi
(C1) Memiliki kemampuan memformulasikan permasalahan nyata ke dalam permasalahan statistika dan sains data sehingga diperoleh solusi yang mampu dipahami oleh pemangku kepentingan sesuai bidang kajian.
(C2) Memiliki kemampuan mengevaluasi efektifitas proses pengumpulan data yang relevan dengan pencarian solusi bagi penyelesaian masalah terapan, terutama dalam bidang pertanian tropika dan kemaritiman, baik melalui survei atau percobaan atau pemanfaatan database atau pengumpulan data digital.
(C3) Memiliki kemampuan mengelola tim analisis data yang menggunakan teknik statistika atau machine learning lanjut.
(C4) memiliki kemampuan mengartikulasikan hasil analisis data dalam bentuk komunikasi yang efektif dengan pemangku kepentingan, baik secara lisan maupun tertulis.
-
-
1. Manajer Analisis Data
2. Peneliti Senior
3. Data Scientist
4. Dosen Bidang Statistika dan Sains Data
Struktur Kurikulum
Deskripsi:
Deskripsi belum tersedia.Deskripsi:
Mata kuliah ini meliputi kajian-kajian: teori peluang dan peubah acak, transformasi peubah acak dan nilai harapan, beberapa sebaran peubah acak khusus, karakteristik contoh acak, statistik cukup, konsep kekonvergenan, penduga titik : metode momen, metode kemungkinan maksimum, metode Bayes, had bawah Cramer-Rao, Rao-Blackwell; pengujian hipotesis : metode rasio kemungkinan maksimum, metode Bayes, uji paling kuasa; serta penduga selang : balikan statistik uji, statistik pivot.
Deskripsi:
Mata kuliah ini ditujukan untuk memberikan landasan tentang statistika yang meliputi metode pengumpulan data, pemodelan dan analisis data, prinsip pendugaan parameter dan pengujian hipotesis satu populasi serta dua populasi. Untuk pengumpulan data ditekankan pada metode percobaan (experiment) dan metode percontohan (sampling), sedangkan untuk analisis ditekankan pada analisis regresi (regresi linear dan regresi logistik), analisis ragam dan pembandingan ganda (multiple comparison) dan tabel kontingensi. Dalam analisis juga dibahas tentang penyimpangan
dari asumsi model linear, baik menyangkut akibat pelanggaran asumsi maupun bagaimana cara
mengatasinya. Metode pembelajaran ditekankan pada learning from data yang diintegrasikan
dengan penggunaan program kemasan statistika (statistical package program).
Deskripsi:
Materi ini memberikan landasan pemrograman terkait bidang Statistika dan Sains Data, meliputi Pengantar Algoritma, Teknik Munging/Wrangling, Visualisasi Data, Pembangkitan Bilangan Acak, Pengembangan Fungsi, Optimasi secara Numerik, Integration as an Expectation, Interpolation,
Approximation, Regression and Matrix Factorization/Statistical Modeling Simulation, Markov Chain Monte Carlo, EM Optimization, serta Resampling Methods.
Deskripsi:
Mata kuliah ini membekali mahasiswa dengan pemahaman masalah yang dapat diselesaikan dengan sains data serta kemampuan untuk menyelesaikannya dari perspektif statistika. Berbagai kemampuan spesifik yang diberikan dalam mata kuliah ini mencakup database querying using SQL, working with spatial data, data wrangling, shrinkage methods, spline regression, local regression, statistical machine learning, tree-based methods, vector support machine
Deskripsi:
Deskripsi belum tersedia.Deskripsi:
Deskripsi belum tersedia.Deskripsi:
Deskripsi belum tersedia.Deskripsi:
Deskripsi belum tersedia.Deskripsi:
Deskripsi belum tersedia.Deskripsi:
Mata kuliah ini membekali mahasiswa dengan pemahaman tentang metode penelitian kuantitatif yang digunakan oleh peneliti bidang sains, sosial, ekonomi serta matematika dan statistika. Berbagai isu penting dijelaskan dan didemonstrasikan dalam mata kuliah ini, antara lain Research concepts, The fundamentals of research planning, Survey designs, Design-science research, Experimental research, Managing research data, Research writing and dissemination, The future of quantitative research. Pada akhir perkuliahan mahasiswa wajib menyerahkan draf proposal yang ditandatangani oleh Ketua Pembimbing.
Deskripsi:
Mata kuliah ini membahas tentang rancangan percobaan tingkat lanjut seperti konsep nilai harapan kuadrat tengah, rancangan kelompok terbagi (RKT), rancangan tersarang (nested), rancangan dengan pengamatan berulang, rancangan kelompok tak lengkap, fraksional factorial, rancangan permukaan respon, serta pengantar ke rancangan optimum (optimal design).
Deskripsi:
Mata kuliah ini membahas dan melakukan pendalaman beberapa teknik penarikan contoh beserta
pendugaan parameternya dan pendugaan ukuran populasi. Teknik penarikan contoh berpeluang
yang dibahas meliputi penarikan contoh acak sederhana, penarikan contoh acak berlapis, penarikan
contoh acak sistematik, penarikan contoh acak bergerombol dan penarikan contoh acak
bergerombol dua tahap. Sedangkan metode pendugaan ukuran populasi yang dibahas meliputi
direct sampling, invers sampling, quadrat sampling dan stocked sampling. Selain daripada itu juga
dibahas mengenai teknik- teknis pendugaan data hilang hasil survei
Deskripsi:
Mata kuliah ini membahas mengenai bagaimana merumuskan permasalahan dan tujuan survei yang
sederhana sampai yang cukup kompleks, merencanakan survei, menentukan teknik sampling dan
memilih obyek survei dengan tepat, merancang kuesioner, pengorganisasian dan administrasi
survei di lapangan, verifikasi dan validasi data, menyusun program entri, melakukan survei
lapangan, serta menganalisis data, membuat laporan dan mempresentasikan hasil analisis data
survei.
Deskripsi:
Mata kuliah ini mendiskusikan topik-topik dalam analisis regresi yang lebih lanjut meliputi Regresi
Terpenalti dan Seleksi Peubah, Regresi dengan Reduksi Dimensi, Model Averaging, Additive Model,
Regression Tree dan Random Forest Regression, Support Vector Regression, dan Neural Network.
Deskripsi:
Mata kuliah analisis peubah ganda membahas tentang sebaran normal ganda dan sifat-sifatnya, analisis komponen utama, analisis faktor, analisis korelasi kanonik, analisis regresi peubah ganda, analisis biplot, analisis korespondensi, analisis cluster, analisis diskriminan, multidimensional scalling, dan analisis konjoin.
Deskripsi:
Mata kuliah ini membahas karakteristik data deret waktu, peramalan menggunaka metode pemulusan, pemodelan data deret waktu ARIMA(p,d,q) melalui metode momen dan metode memungkinan maksimum serta pemodelan untuk data deret waktu yang mempunyai faktor musiman (seasonally), ARIMA(p, d, q)x(P, D, Q) s. Pemodelan ragam (ARCH dan GARCH), pemodelan data deret waktu dua peubah (fungsi transfer) dan pemodelan data deret waktu banyak peubah (VAR). Juga dibahas pemodelan deret waktu dengan peubah bebas.
Deskripsi:
Mata kuliah ini membahas metode statistika untuk data kategorik yang mencakup metode yang memiliki peran penting dalam perjalanan sejarah statistika seperti uji Khi-kuadrat sampai ke model analisis statistika yang berkembang sejalan perkembangan mutakhir dari teknologi komputasi
seperti model regresi logistik dan model log-linear. Metode yang akan didiskusikan meliputi: inferensi untuk parameter proporsi, tabel kontingensi 2x2 (peluang bersama, marginal, dan bersyarat; kepekaan dan kekhususan dalam uji diagnostik, percontohan binomial dan multinomial, beda proporsi, resiko relatif, rasio odds, uji kebebasan Khi-Kuadrat, uji kebebasan data ordinal, uji eksak untuk ukuran contoh kecil), regresi logistik dan model log-linear.
Deskripsi:
Mata kuliah ini membahas suatu metode yang sangat penting di dalam statistika yaitu analisis data yang diperoleh dari bukan percobaan untuk mengevaluasi hubungan sebab akibat. Materi mencakup keragaman, kontrol dan bias; data proporsi dan tabulasi; review hubungan sebab akibat dalam percobaan; model pemadanan ideal (ideal matching), model naif, analisis sensitivitas; kasus-kontrol sepadan (matched case-control); klasifikasi dan penggerombolan; pemulusan sederhana.
Deskripsi:
Mata kuliah ini membahas pendekatan non-parametrik untuk pendugaan fungsi kepekatan dan
pemodelan non parametrik. Beberapa kompetensi terkait dengan pendugaan fungsi kepekatan
adalah kemampuan melakukan pendekatan sederhana untuk pendugaan fungsi kepekatan,
pendugaan fungsi kepekatan menggunakan metode kernel, penerapan pendugaan fungsi
kepekatan dalam analisis statistika sedangkan yang terkait dengan pemodelan non-parametrik
adalah pemulusan plot tebaran, pengenalan beberapa metode pemulus regresi non parametrik,
pemulus kernel, regresi spline, dan pemulusan pada data yang memuat pencilan.
Deskripsi:
Mata kuliah ini membahas tentang pengertian data spasial, data spasial yang berupa titik, data spasial yang berupa area, pola-pola sebaran data spasial yang berupa titik baik satu populasi maupun dua populasi. Kuliah ini juga mempelajari korelasi spasial data area, korelasi spasial data titik yang berupa korelogram, maupun ragamnya yang berupa variogram. Pendugaan titik pada data spasial dipelajari juga baik yang bersifat pendekatan global (trendeurface), baik pendekatan local yang berupa model triangulasi, model invers distance, veronoi, juga model-model kriging. Model-model spasial ekonometrika dipelajari juga pada matakuliah ini antara lain spatial autororegresif, spasial error model, durbin model, serta regresi terboboti geografi.
Deskripsi:
Pada mata kuliah ini dibahas model-model pengukuran menurut Classical Test Theory dan Item Response Theory serta aplikasi-nya dalam penelitian. Materi yang dibahas meliputi:
(1). Konsep Dasar Teori Pengukuran Klasik, (2). Kaidah-kaidah Baru Teori Pengukuran : 1PL, 2PL, 3PL, (3). Pendugaan Parameter Model, 4). Kecocokan Model-Data, (5). Differential Item Functioning, (6). Penyetaraan Skor Tes (Linking and Equating), (7). Computerized Adaptive Testing, (8). Model-model Polytomous dan Multidimensional, (9). Studi Kasus
Deskripsi:
Mata kuliah ini membahas berbagai kompetensi yang harus dikuasai dalam proses pengelolaan dan penyiapan data untuk keperluan analisis dan pelaporan. Cakupan dari mata kuliah ini adalah (1) merancang database yang bersifat relational, (2) query untuk proses penggabungan data, (3) query untuk menghasilkan laporan dan statistik sederhana, (4) proses data cleaning, (5) query dan pemrograman proses ekstraksi data untuk keperluan analisis data, (6) implementasi dalam software sistem manajemen database relational dan software statistik.
Deskripsi:
Mata kuliah ini membahas beberapa tehnik dalam pembelajaran mesin statistika, mencakup EM Clustering, T-SNE clustering, Analisis asosiasi, Recommendation Engine, Regression Tree, Neural Network, dan Support Vector Machine
Deskripsi:
Mata kuliah ini membahas ruang lingkup Text Analytic, Information Retrieval, Pemrosesan Teks, Text Mining, NLP – part of speech tagging (PoS tagging), NLP – information extraction and dependency, parsing, Clustering dan klasifikasi pada dokumen teks, pemodelan topik, analisis sentimen, peringkasan teks, Question-Answering System (QAS), Cross-Language Information System (CLIR), serta Multimedia Analytics.
Deskripsi:
Kolokium merupakan salah satu media komunikasi ilmiah bagi mahasiswa untuk mengemukakan substansi dan permasalahan yang akan dijadikan subyek penelitian tesis/disertasi serta menambah wawasan keilmuan.
Deskripsi:
Deskripsi belum tersedia.Deskripsi:
Mata kuliah ini meliputi kajian-kajian: teori peluang dan peubah acak, transformasi peubah acak dan nilai harapan, beberapa sebaran peubah acak khusus, karakteristik contoh acak, statistik cukup, konsep kekonvergenan, penduga titik : metode momen, metode kemungkinan maksimum, metode Bayes, had bawah Cramer-Rao, Rao-Blackwell; pengujian hipotesis : metode rasio kemungkinan maksimum, metode Bayes, uji paling kuasa; serta penduga selang : balikan statistik uji, statistik pivot.
Deskripsi:
Deskripsi belum tersedia.Deskripsi:
Deskripsi belum tersedia.Deskripsi:
Deskripsi belum tersedia.Deskripsi:
Deskripsi belum tersedia.Deskripsi:
Deskripsi belum tersedia.Deskripsi:
Deskripsi belum tersedia.Deskripsi:
Deskripsi belum tersedia.Deskripsi:
Deskripsi belum tersedia.Deskripsi:
Deskripsi belum tersedia.Deskripsi:
Deskripsi belum tersedia.Deskripsi:
Publikasi ilmiah nasional adalah publikasi yang ditujukan untuk mempublikasikan hasil penelitian atau karya ilmiah di tingkat nasional. Publikasi ilmiah nasional termasuk Prosiding Seminar (International), publikasi yang berisi kumpulan makalah atau artikel hasil presentasi di seminar (International, terindex Scopus). Prosiding seminar (Internmational) sering kali diterbitkan dalam bentuk buku atau jurnal untuk menyebarluaskan hasil penelitian yang disajikan di seminar tersebut.
Deskripsi:
Publikasi ilmiah internasional ditujukan untuk penyebarluasan hasil penelitian ilmiah orisinal dari bagian disertasi tugas akhir mahasiswa program doktor untuk memberikan informasi kepada kalangan akademisi atau para ahli di bidangnya. Publikasi dilakukan pada berkala ilmiah internasional bereputasi atau terindeks global.
Deskripsi:
Deskripsi belum tersedia.Deskripsi:
Deskripsi belum tersedia.Deskripsi:
Deskripsi belum tersedia.Deskripsi:
Deskripsi belum tersedia.Deskripsi:
Deskripsi belum tersedia.Deskripsi:
Mata kuliah ini mendiskusikan beberapa algoritma dalam analisis data dan data mining untuk tujuan klasifikasi, yaitu menentukan kelas atau kelompok dari setiap amatan. Topik yang akan dibahas meliputi pendekatan un-supervised dan supervised, dengan penekanan lebih banyak pada supervised methods. Algoritma un-supervised yang akan dibahas adalah k-means, sedangkan algoritma supervised meliputi k- NN, regresi logistik, pohon klasifikasi dengan pendekatan ID3, C4.5, dan CHAID, pengenalan neural network, pengenalan support vector machine, naïve bayesian
classifier. Juga akan didiskusikan pendekatan ensemble yaitu bagging, boosting, dan random forest. Tidak hanya algoritma yang akan dipelajari tetapi juga membahas proses evaluasi dan validasi model.
Deskripsi:
Mata kuliah ini membahas penggunaan berbagai sajian grafis untuk keperluan penyajian, eksplorasi, serta analisis data. Topik bahasan meliputi eksplorasi dan visualisasi sebaran data, eksplorasi dan visualisasi hubungan antar peubah, visualisasi perbandingan antar kelompok, eksplorasi dan
visualisasi data non-numerik, Graphic Visual Editing, serta visualisasi animasi.
Deskripsi:
Pada matakuliah ini mahasiswa belajar mengenai model linier terampat dengan terlebih dahulu mengulas konsep-konsep dasar dalam model linier . Mahasiswa belajar mengenai konsep estimability, metode kuadrat terkecil untuk fitting model, inferensi statistik untuk peubah respon menyebar normal dan juga non-normal, dalam hal ini sebaran keluarga eksponensial. Lebih lanjut dipelajari pemodelan dan komputasi untuk peubah respon menyebar binomial, multinomial, betabinomial, poisson, dan binomial negatif. Selain itu, mahasiswa juga diperkenalkan dengan metode penanganan masalah overdispersi dan pemodelan untuk peubah respon berkorelasi
Deskripsi:
Deskripsi belum tersedia.Deskripsi:
Deskripsi belum tersedia.Deskripsi:
Deskripsi belum tersedia.Deskripsi:
UjianTesis merupakan ujian lisan yang dilaksanakan secara tertutup untuk
menguji kelayakan mahasiswa sebagai calon pemegang gelar Magister Statistika dan Sains Data. Ujian Tesis bertujuan untuk memastikan bahwa mahasiswa memiliki kemampuan dalam penguasaan ilmu statistik, metodologi ilmiah, pendalaman dan pembahasan hasil
penelitian level magister, serta komunikasi ilmiah.