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.

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

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.

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.

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.

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.

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.

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.

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.

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.

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