kebutuhan strategis unit pengguna yang akan …

PUSDIKLAT KEUANGAN UMUM 1

Program Pelatihan Jarak Jauh Data-Driven Decision-Making

KERANGKA ACUAN PROGRAM

NAMA PROGRAM

Pelatihan Jarak Jauh Data-Driven Decision-Making

DE

SK

RIP

SI P

RO

GR

AM

TUJUAN PROGRAM

Pelatihan ini dimaksudkan untuk meningkatkan kompetensi Aparatur Sipil

Negara (ASN) di lingkungan Kementerian Keuangan, khususnya bagi

pejabat/pegawai yang akan diberikan penugasan untuk melakukan data

analytics di unitnya masing-masing. Setelah mengikuti pelatihan, peserta

diharapkan dapat memberikan nilai tambah (insights) terkait pengambilan

keputusan berbasis data.

Desain pembelajaran dibuat sedemikian rupa untuk membekali

pejabat/pegawai dengan kompetensi yang harus dikuasai, baik oleh business

leader, data scientist, maupun data engineer. Program pembelajaran ini

menggunakan pendekatan pembelajaran terintegrasi yang memadukan

pembelajaran di kelas (tatap muka) serta pembelajaran di tempat kerja

(coaching, mentoring dan project assignment).

Pembelajaran di tempat kerja dilakukan dengan menyelesaikan Data Analytics:

Capstone Project yang akan dibimbing oleh mentor (pejabat/pegawai dari unit

asal peserta) dan coach (pembimbing yang ditunjuk oleh Pusdiklat) sesuai

dengan tema yang sedang diperlukan oleh unit asal peserta. Penyelesaian

capstone project merupakan bentuk implementasi pengetahuan dan

keterampilan yang diperoleh saat pembelajaran di kelas dalam rangka

mendukung organisasi untuk melakukan perumusan kebijakan berbasis data.

KEBUTUHAN STRATEGIS UNIT PENGGUNA YANG AKAN DICAPAI

Pelatihan ini merupakan tindak lanjut new initiative Pusdiklat Keuangan

Umum untuk mendukung pemenuhan Kebutuhan strategis berupa

peningkatan implementasi data analytics di dalam proses bisnis unit Eselon I

Kementerian Keuangan guna mendukung perumusan kebijakan berbasis data.

Seiring dengan perkembangan teknologi, pemanfaatan data dalam

pengambilan keputusan telah mengalami perkembangan yang pesat. Apabila

sebelumnya analisis data lebih ditekankan kepada analisis eksplorasi

terhadap tantangan yang timbul, saat ini analisis sudah lebih menekankan

kepada analisis prediktif dan preskriptif untuk mendukung pengambilan

keputusan.

Pada dasarnya, Kementerian Keuangan berdiri di atas tumpukan data yang

berharga, namun belum dimanfaatkan secara maksimal untuk memberikan

insights dalam penyusunan kebijakan. Untuk itu, perlu dilakukan

pengembangan kompetensi terkait data analytics guna meningkatkan

kemampuan Aparatur Sipil Negara di lingkungan Kementerian Keuangan

dalam merumuskan kebijakan berbasis data.



SASARAN (TARGET LEARNERS)

Pejabat/Pegawai di lingkungan Kementerian Keuangan yang diproyeksikan

akan mengimplementasikan dan/atau akan ditugaskan untuk menyelesaikan

penugasan data analytics yaitu business leader, data scientist, dan data

engineer.

MODEL PEMBELAJARAN

•

TATAP MUKA (TM)

NON TATAP MUKA (NTM)

• e-Learning

Bimbingan di tempat kerja (mentoring)

Pelatihan jarak jauh

• Magang

• Pertukaran PNS dengan pegawai swasta

Coaching

STANDAR KOMPETENSI

a. menjelaskan konsep data analytics, machine learning, dan big data analytics; b. menguraikan konsep data mining untuk data terstruktur dan tidak

terstruktur; c. menguraikan penerapan data analytics di sektor publik; d. melakukan pengelolaan proyek data analytics; e. memilih visualisasi data analytics yang sesuai; f. melakukan data analytics sederhana.

KOMPETENSI DASAR

a. menjelaskan konsep data analytics, machine learning, dan big data analytics; 1) menjelaskan data analytics dan penerapannya; 2) menjelaskan konsep machine learning dan penerapannya; 3) menjelaskan big data analytics dan penerapannya.

b. menguraikan konsep data mining untuk data terstruktur dan tidak terstruktur; 1) menjelaskan konsep statistika dasar untuk data analytics; 2) menerangkan konsep dasar data mining; 3) menerangkan langkah-langkah pada proses data mining; 4) menerangkan evaluasi dan interpretasi hasil dari proses data mining.

c. menguraikan penerapan data analytics di sektor publik; 1) mendeskripsikan penerapan data analytics dalam penggalian potensi

penerimaan negara (missal: pajak, bea cukai); 2) mendeskripsikan penerapan data analytics dalam identifikasi sentimen

masyarakat terhadap kebijakan;



3) menguraikan potensi pemanfaatan data analytics di lingkungan Kementerian Keuangan.

d. melakukan pengelolaan proyek data analytics; 1) menjelaskan proses pembentukan tim, dan pembagian peran tim data

analytics; 2) menguraikan machine learning lifecycle, implementasi CRIS-DM dan

penekanan dua langkah awal; 3) melakukan pengelolaan tim dan proyek; 4) melakukan pengelolaan ekspektasi; 5) melakukan interpretasi data; 6) melakukan pengambilan keputusan dengan memanfaatkan data analytics; 7) mengidentifikasi tantangan dan alternatif solusi dalam pengelolaan proyek

data analytics.

e. memilih visualisasi data analytics yang sesuai; 1) menerangkan manfaat penggunaan visualisasi data analytics yang tepat; 2) mendeskripsikan bentuk-bentuk visualisasi data analytics; 3) mengidentifikasi alternatif visualisasi data analytics yang dapat

digunakan.

f. melakukan data analytics sederhana. 1) menerapkan teknik data analytics dalam penugasan Data Analytics:

capstone project.

LAMA PELATIHAN EFEKTIF DAN DAFTAR MATA PELAJARAN

No. Kegiatan Nama Mata Pelajaran Jam Pelajaran Sekuen/

Urutan TM NTM TOTAL

1

Mata Pelajaran

Pokok

a. Data Analytics, Machine Learning, dan Big Data Analytics

b. Data Mining c. Data Analytics di Sektor

Publik d. Pengelolaan Proyek Data

Analytics e. Visualisasi Data f. Data Analytics: Capstone

Project

- - - - -

-

2 7 2

10 3

2

2 7 2

10 3

2

1 2 3 4 5

6

2 Mata Pelajaran Penunjang

- - - - -

3 Ceramah Current Issue (Kebijakan Pengelolaan Data di Lingkungan Kementerian Keuangan)

- 1 1 -

4 PKL - - - -

5 Outbound - - - -

6 MFD - - - -



7 Pengarahan Program

- - - -

8 Action Learning f. Data Analytics: Capstone Project

- 18 18 7

TOTAL JP 45 JP

LAMA WAKTU UJIAN 30 menit

(per kelompok

presentasi

capstone project)

DILAKSANAKAN DALAM

Studi Mandiri : - hari Tatap Muka : 3 hari

(synchronous maya) Action Learning : 11 hari

- Mandiri : 10 hari - Tatap Muka : 1 hari

14 hari

JENIS DAN JENJANG PROGRAM

Pelatihan Data-Driven Decision-Making ini berjenjang lanjutan

PERSYARATAN PESERTA

Administrasi 1. Pejabat/Pegawai di lingkungan Kementerian Keuangan yang memperoleh

penugasan terkait data analytics (Business Leader, Data Scientist, dan Data Engineer) untuk pengambilan kebijakan;

2. Golongan/Pangkat minimal II/c. 3. Khusus untuk Business Leader: pejabat struktural/fungsional yang diberikan

penugasan secara khusus sebagai business leader dalam pelatihan ini

Kompetensi 1. Pendidikan minimal Diploma III; 2. Menguasai ilmu dasar statistika/bahasa pemrograman/menguasai proses bisnis

unit asal peserta.

Lain-lain:

1. Peserta wajib mempersiapkan proyek data analytics yang akan digunakan sebagai bahan data analytics: capstone project.

KUALIFIKASI PENGAJAR

Umum 1) Profesional/praktisi di bidangnya; 2) Mempunyai pengalaman mengajar; 3) Ditetapkan dengan Keputusan Kepala Pusat Pendidikan dan Pelatihan Keuangan

Umum.



Khusus

1) Menguasai materi mengenai data analytics yang akan diajarkan/memiliki

keahlian tertentu khususnya dalam mata pelajaran yang akan diberikan; 2) Mempunyai kemampuan dalam mentransfer pengetahuan dan keterampilan

kepada peserta.

Lain-lain 1) Mata Pelajaran berikut disertai dengan praktik sehingga dapat menggunakan

asisten pengajar untuk menunjang pembelajaran, terutama apabila jumlah peserta lebih dari 15 orang: a) Pengelolaan Proyek Data Analytics; b) Data Analytics: Capstone Project;

BENTUK EVALUASI

EVALUASI LEVEL 1

Evaluasi Penyelenggaraan Tertulis/Online dan Evaluasi Tatap Muka serta Evaluasi

Pengajar Tertulis/Online

EVALUASI LEVEL 2

Nilai penyelesaian action learning

Komponen Penilaian:

NA = [(a x ∑NT) + (b x Action Learning)]

= [(40% x ∑NT) + (60% x Action Learning)]

Keterangan:

a = bobot nilai tertimbang

b = bobot nilai action learning

EVALUASI LEVEL 3

-

EVALUASI LEVEL 4

-

FASILITAS

1) Materi/Bahan Ajar

2) Rundown penyelenggaraan ditetapkan pada saat rapat persiapan dengan mengacu pada skenario pembelajaran yang disepakati.

3) Penyediaan kuota internet untuk peserta sesuai dengan ketentuan yang berlaku.



4) Layout kelas dan kebutuhan lain sesuai dengan hasil kesepakatan pada rapat persiapan pembelajaran.

5) Lain-Lain:

a) Pembelajaran dalam kelas PJJ (on class learning)

Sesi pembelajaran dalam kelas dilaksanakan selama 3 hari kerja dengan kegiatan sebagai berikut:

i. Peserta akan menerima materi pembelajaran di kelas sesuai jadwal yang ditentukan;

ii. Peserta dapat mendiskusikan atau bertanya terkait dengan materi yang telah diberikan;

iii. Proses pembelajaran tatap muka akan diselenggarakan dengan metode:

Presentasi/ceramah pengajar/narasumber atas materi terkait;

Praktek/latihan/simulasi;

Diskusi.

iv. Peserta terbagi menjadi 3 kategori, yaitu business leader, data scientist, dan data engineer;

v. Sesi tatap muka pembelajaran dibagi menjadi 2 tahap:

Tahap 1 dilaksanakan selama 2 hari kerja yang diikuti oleh seluruh kategori peserta (business leader, data scientist, dan data engineer). Tahap ini ditujukan untuk penyampaian Mata Pelajaran 1 s.d 4;

Tahap 2 dilaksanakan 4 hari setelah Tahap 1 berakhir. Pada 4 hari jeda tersebut, peserta dengan kategori data engineer dan kategori data scientist wajib mengikuti pelatihan data analytics specialist;

Tahap 2 dilaksanakan selama 1 hari kerja yang diikuti oleh seluruh kategori peserta (business leader, data scientist, dan data engineer). Tahap ini ditujukan untuk penyampaian Mata Pelajaran 5 s.d 6;

b) Pembelajaran di tempat kerja (action learning)

Setelah mendapat pembelajaran dalam kelas PJJ, peserta diberikan waktu selama 11 hari kerja untuk mengimplementasikan hasil dari pembelajaran tersebut di unit asal peserta. Adapun pembelajaran di tempat kerja ini sebagai berikut:

i. Setelah sesi dalam kelas PJJ selesai, peserta diberikan waktu selama 10 hari kerja (10 hari @ 1 JP per hari dan 1 hari @ 8 JP) untuk membuat output action learning.

ii. Selama durasi pembelajaran di tempat kerja (action learning), peserta dapat berkonsultasi dengan coach yang merupakan pengajar/narasumber/pihak yang ditunjuk oleh Pusdiklat Keuangan Umum untuk memberikan coaching terkait pembuatan output action learning tersebut. Mekanisme konsultasi sesuai kesepakatan pengajar/narasumber panitia penyelenggara, peserta, dan pengajar/narasumber (dapat melalui Kemenkeu Learning Center (KLC)/aplikasi WhatsApp);

iii. Maksimal hari ke-5 (pukul 13.00 WIB) dari pembelajaran di tempat kerja, peserta mengirimkan perkembangan pelaksanaan kegiatan Data Analytics: Capstone Project kepada panitia untuk diteruskan kepada coach;



iv. Maksimal hari ke-10 (pukul 13.00 WIB) dari pembelajaran di tempat kerja, peserta wajib mengumpulkan output final berupa data set, log-book data analytics, dan file presentasi hasil Data Analytics: Capstone Project;

v. Pada hari ke-11 dari pembelajaran di tempat kerja , peserta wajib hadir pada sesi synchronous maya (dalam kelas PJJ) dan mempresentasikan output final. Sesi ini dihadiri oleh peserta, pengajar/narasumber (coach) dan tim penilai. Pada sesi ini, peserta akan memaparkan hasil analisis dengan teknik data analytics kepada pengajar dan tim penilai. Sedangkan pengajar/narasumber (coach) dan atau tim penilai akan memberikan review atas laporan tersebut serta

memberikan penilaian dan masukan untuk penyempurnaan yang dapat dilakukan oleh peserta.

vi. Selama durasi pembelajaran di tempat kerja (action learning), peserta wajib melengkapi form monitoring sebagai bukti pemantauan progress penyelesaian tugas peserta. Form tersebut wajib diisi dan dilengkapi dengan masukan dan tanda tangan mentor (atasan langsung atau Tim Monitoring dari unit yang menangani pengembangan pegawai) untuk kemudian disampaikan kepada panitia pada hari ke-5 action learning dan hari ke-11 action learning.

vii. Penyelesaian action learning menjadi komponen Evaluasi Peserta dengan persentase sebagaimana tertera pada Bagian Evaluasi Level 2.

c) Proses Pembelajaran selama pandemi Covid-19

1. Dalam rangka memenuhi kebutuhan pengembangan kompetensi sumber daya manusia aparatur dalam masa pandemi Covid-19 dengan tetap mengutamakan kesehatan dan keamanan peserta, pengajar, dan penyelenggara pelatihan, maka dikembangkan metode pelatihan jarak jauh berdasarkan

Surat Edaran Menteri Keuangan Nomor SE-22/MK.1/2020 Tentang Sistem Kerja Kementerian Keuangan pada Masa Transisi dalam Tatanan Normal Baru;

Keputusan Kepala Badan Pendidikan dan Pelatihan Keuangan Nomor KEP-82/PP/2020 tentang Panduan Penyelenggaraan Pelatihan Jarak Jauh (Distance Learning) di Lingkungan Badan Pendidikan dan Pelatihan Keuangan.

2. Dalam melaksanakan program pembelajaran selama pandemi Covid-19, bentuk pembelajaran ini akan menggunakan pendekatan Pelatihan Jarak Jauh (PJJ).

3. Dalam melaksanakan PJJ, skenario pada pembelajaran ini dapat mengacu tapi tidak terbatas pada:

Self Study: Pembelajaran mandiri secara terprogram dengan memanfaatkan bahan pembelajaran pada LMS yang dapat dipelajari berulang dengan membaca bahan ajar dan referensi lainnya, menonton video, mendengarkan podcast;

Virtual Classroom: Pembelajaran dalam kelas virtual, baik secara individu maupun kelompok, pada LMS pembelajaran atau koneksi internet dengan menggunakan teknologi komunikasi melalui Video conference, Audio conference, chatting;



Content Development: Peserta melakukan pengembangan atau pengayaan materi belajar, baik secara individu maupun secara kelompok, pada LMS pembelajaran atau koneksi internet dengan menggunakan teknologi komunikasi melalui membaca referensi/ artikel/berita lainnya, menonton video berita, mendengarkan radio;

Group Discussion: Pembelajaran melalui pendalaman materi secara terbimbing pada LMS pembelajaran atau koneksi internet dengan menggunakan teknologi komunikasi melalui, (video conference, audio conference, chatting, dan lain-lain);

Learning Journal Report: Pembelajaran reflektif yang dituangkan dalam Learning Journal disampaikan melalui LMS, email, atau media pengiriman lainnya;

Learning Feedback: Penilaian dan umpan balik dari Pengampu Materi (fasilitator) terhadap tugas-tugas Peserta pada LMS atau koneksi internet dengan menggunakan teknologi komunikasi melalui podcast, email, chat, dan lain-lain; (sebagaimana tercantum dalam Surat Edaran Kepala Lembaga Administrasi Negara Nomor: 23/K.1/HKM.02.3/2020 Tentang Panduan Teknis Penyusunan Perencanaan Pelatihan, Pemanfaatan Teknologi Informasi, Penyusunan Skenario Pembelajaran, Serta Kehadiran Dan Partisipasi Dalam Masa Pandemi Corona Virus Disease 2019 (Covid-19)).

4. Rincian Skenario Pembelajaran merupakan dokumen dinamis yang digunakan sebagai acuan Pusdiklat/BDK untuk mengelola proses pembelajaran di kelas.

5. Skenario Pembelajaran dapat mengacu pada konsep lampiran dari KAP ini dan dapat disesuaikan berdasarkan kesepakatan antara pengajar dan penyelenggara dan ditetapkan pada rapat persiapan pelatihan. Pembaruan Skenario Pembelajaran disahkan dan ditetapkan oleh Kepala Bidang Penyelenggaraan Pusdiklat Keuangan Umum atau Kepala Balai Diklat Keuangan untuk penyelenggaraan pelatihan di daerah.

6. Penggunaan metode pembelajaran PJJ hanya digunakan selama masa pandemi Covid-19.

Keterangan:

1. Pelatihan Data-Driven Decision-Making ini merupakan program pembelajaran baru di tahun 2019. Program pembelajaran ini merupakan Inisiatif Strategis Pusdiklat Keuangan Umum yang dilandasi oleh perkembangan teknologi dan informasi dan kebutuhan akan perumusan kebijakan berbasis data. Adapun desain pembelajaran dan materi telah dibahas pada rapat Penyusunan Desain Pembelajaran Data Driven Decision Making tanggal 14 Agustus 2019 berdasarkan UND-513/PP.7/2019, UND-514/PP.7/2019, UND-515/PP.7/2019, UND-516/PP.7/2019, UND-517/PP.7/2019, UND-518/PP.7/2019, dan UND-519/PP.7/2019. Rapat tersebut dihadiri oleh Pejabat/Pegawai Badan Pendidikan dan Pelatihan Keuangan, Direktorat Jenderal Bea dan Cukai (Sekretariat Direktorat Jenderal dan Direktorat Informasi Kepabeanan dan Cukai), Sekretariat Jenderal (Pusat Harmonisasi dan Kebijakan), widyaiswara pengelola program, narasumber, serta perwakilan Bidang/Bagian di lingkungan Pusdiklat Keuangan Umum. (ARB)

2. Revisi Pertama: Dokumen ini merupakan hasil dari pengembangan KAP Pelatihan Data-Driven Decision-Making yang sebelumnya ditetapkan pada 14 Agustus 2019. Perubahan ini meliputi penyempurnaan Standar Kompetensi, Kompetensi Dasar, Mata Pelajaran, Jam Pelatihan, Jumlah Hari Pelatihan dan durasi Action Learning. Seluruh perubahan tersebut telah dibahas pada Rapat Reviu Desain Pembelajaran Pemenuhan Kebutuhan Strategis unit Inspektorat Jenderal tanggal 20 Januari 2020 sesuai undangan Kepala Pusdiklat Keuangan Umum Nomor UND-32/PP.7/2020, UND-34/PP.7/2020, UND-35/PP.7/2020, UND-38/PP.7/2020 yang dihadiri oleh perwakilan dari Direktorat Jenderal Pajak (narasumber), perwakilan Bagian Kepegawaian



dan Skill Group Owners dari Inspektorat Jenderal, perwakilan Pusat Sistem Informasi dan Teknologi Keuangan Sekretariat Jenderal, serta perwakilan dari Bidang/Bagian di lingkungan Pusdiklat Keuangan Umum.(ARB)

3. Dokumen ini merupakan perubahan dokumen sebelumnya yang disahkan pada tanggal 21 Januari 2020. Penyesuaian

tersebut meliputi perubahan metode pembelajaran menjadi pelatihan jarak jauh (PJJ) dan perubahan persyaratan

peserta, yang telah dibahas pada Rapat Review Desain Pembelajaran Pelatihan Data Driven Decision Making dan

Pelatihan Data Analytics Specialist yang dilaksanakan pada tanggal 10 Juli 2020 melalui zoom meeting sesuai undangan

Kepala Pusdiklat Keuangan Umum Nomor UND-323/PP.7/2020, UND-324/PP.7/2020 yang dihadiri oleh pengajar dari DJP,

DJBC, dan intern Pusdiklat Keuangan Umum, perwakilan dari Biro Umum Setjen Kemenkeu, Sekretariat DJBC, dan

Sekretariat BKF selaku unit pengguna, widyaiswara pengelola program, serta perwakilan Bidang/Bagian di lingkungan

Pusdiklat Keuangan Umum. Adapun finalisasi KAP dilakukan melalui koordinasi Bidang Renbangdik dengan widyaiswara

pengelola program, dengan mempertimbangkan ketentuan pencegahan wabah pandemi Covid-19.(KR).

Jakarta, Juli 2020 Kepala Pusat,

Heni Kartikawati NIP 19701218 199603 2 001



RENCANA RUNDOWN KEGIATAN PELATIHAN DATA DRIVEN DECISION MAKING

A. PEMBELAJARAN DALAM KELAS PJJ

Hari Mata Pelajaran JP Pengajar

I

Data Analytics, Machine Learning, dan Big Data Analytics

2JP

(1JP syn maya)

internal Kemenkeu/

praktisi

Data Mining 7JP

(5JP syn maya)

internal Kemenkeu/

praktisi

II

Data Analytics di Sektor Publik 2JP

(1JP syn maya)

internal Kemenkeu/

praktisi

Pengelolaan Proyek Data Analytics 8JP

(5JP syn maya) internal Kemenkeu/

praktisi

III

Pengelolaan Proyek Data Analytics 2JP internal Kemenkeu/

praktisi

Visualisasi Data 3JP

(2JP syn maya)

internal Kemenkeu/

praktisi

Data Analytics: Capstone Project 2JP

(2JP syn maya)

internal Kemenkeu/

praktisi

B. PEMBELAJARAN DI TEMPAT KERJA (ACTION LEARNING)

Hari Mata Pelajaran JP

I s.d. IV

(Studi Mandiri) Data Analytics: Capstone Project (Project assignment)

4JP

(1JP @ hari)

V Data Analytics: Capstone Project (Pengumpulan

Laporan Perkembangan Kegiatan Tahap I) 1JP

VI s.d. IX

(Studi Mandiri) Data Analytics: Capstone Project (Project assignment)

4JP

(1JP @ hari)

X Data Analytics: Capstone Project (Pengumpulan

Output Data Analytics: Capstone Project) 1JP

XI

(synchronous maya) Data Analytics: Capstone Project (Presentasi) 8JP

Catatan: 1. Ceramah dapat dilaksanakan dalam satu sesi (1 JP) sesuai dengan kebutuhan pembelajaran. 2. Mata Pelajaran berikut disertai dengan praktik sehingga dapat menggunakan asisten pengajar

untuk menunjang pembelajaran, terutama apabila jumlah peserta lebih dari 15 orang: a. Pengelolaan Proyek Data Analytics

b. Data Analytics: Capstone Project

Kepala Bidang Perencanaan dan Pengembangan Diklat, Pandu Patriadi NIP 19650216 199103 1 001


Program Pelatihan Jarak Jauh Data Driven Decision Making

CONTOH SKENARIO PEMBELAJARAN

PELATIHAN JARAK JAUH DATA DRIVEN DECISION MAKING

No Mata Pelajaran Standar Kompetensi &

Kompetensi Dasar Aktivitas Belajar

Penugasan/ Evaluasi Aktivitas

Media Pembelajaran

JP Hari

1. Data Analytics, Machine Learning, dan Big Data Analytics

menjelaskan konsep data analytics, machine learning, dan big data analytics; • menjelaskan data analytics dan

penerapannya; • menjelaskan konsep machine learning

dan penerapannya; • menjelaskan big data analytics dan

penerapannya.

Belajar mandiri:

Mempelajari materi mandiri

Penyelesaian materi pembelajaran mandiri

KLC

Whatsapp

Zoom

dll.

1 I

Synchronous maya

Penyampaian materi dari pengajar

Tanya jawab/diskusi

Kehadiran Peserta Nilai Aktivitas

Webinar KLC

Zoom

dll.

1 I

2. Data Mining

menguraikan konsep data mining untuk data terstruktur dan tidak terstruktur; • menjelaskan konsep statistika dasar

untuk data analytics; • menerangkan konsep dasar data

mining; • menerangkan langkah-langkah pada

proses data mining; • menerangkan evaluasi dan interpretasi

hasil dari proses data mining.

Synchronous maya


Tanya jawab/diskusi


KLC

whatsapp

Zoom

dll.

3 I

Belajar mandiri:


Mengerjakan tugas

Penyelesaian tugas KLC

Whatsapp

Zoom

dll.

2 I

Synchronous maya


Tanya jawab/diskusi

Feedback hasil penugasan dari pengajar


Webinar KLC

Zoom

dll.

2 I






Media Pembelajaran

JP Hari

3. Data Analytics di Sektor Publik

menguraikan penerapan data analytics di sektor publik; • mendeskripsikan penerapan data

analytics dalam penggalian potensi penerimaan negara (missal: pajak, bea cukai);

• mendeskripsikan penerapan data analytics dalam identifikasi sentimen masyarakat terhadap kebijakan;

• menguraikan potensi pemanfaatan data analytics di lingkungan Kementerian Keuangan.

Belajar mandiri:



KLC

whatsapp

Zoom

dll.

1 II

Synchronous maya


Tanya jawab/diskusi


Webinar KLC

Zoom

dll.

1 II

4. Pengelolaan Proyek Data Analytics

melakukan pengelolaan proyek data analytics; • menjelaskan proses pembentukan tim,

dan pembagian peran tim data analytics;

• menguraikan machine learning lifecycle, implementasi CRIS-DM dan penekanan dua langkah awal;

• melakukan pengelolaan tim dan proyek;

• melakukan pengelolaan ekspektasi; • melakukan interpretasi data; • melakukan pengambilan keputusan

dengan memanfaatkan data analytics; • mengidentifikasi tantangan dan

alternatif solusi dalam pengelolaan proyek data analytics.

Synchronous maya

Tanya jawab/diskusi

Pemberian tugas


KLC

whatsapp

Zoom

dll.

2

II

Belajar mandiri:

mempelajari materi mandiri

mengerjakan tugas

Penyelesaian tugas dari pengajar

Remote desktop

whatsapp

Zoom

dll.

3 II

Synchronous maya

Tanya jawab/diskusi



Webinar KLC

Zoom

dll.

3

II






Media Pembelajaran

JP Hari

Belajar mandiri:

refleksi hasil pembahasan pengajar

diskusi antar peserta

Perbaikan tugas mandiri KLC

whatsapp

Zoom

dll.

2 III

5. Visualisasi Data

memilih visualisasi data analytics yang sesuai; • menerangkan manfaat penggunaan

visualisasi data analytics yang tepat; • mendeskripsikan bentuk-bentuk

visualisasi data analytics; • mengidentifikasi alternatif visualisasi

data analytics yang dapat digunakan.

Belajar mandiri:

mempelajari materi mandiri


KLC

whatsapp

Zoom

dll.

1 III

Synchronous maya

Tanya jawab/diskusi



Webinar KLC

Zoom

dll.

2 III

6. Data Analytics: Capstone Project

melakukan data analytics sederhana. • menerapkan teknik data analytics

dalam penugasan Data Analytics: capstone project.

Synchronous maya

Penyampaian materi

Pemberian arahan pelaksanaan capstone project

Tanya jawab/diskusi


Webinar KLC

Zoom

dll.

2 III






Media Pembelajaran

JP Hari

7. Action Learning: Data Analytics: Capstone Project

Action Learning • Data Analytics: Capstone Project

Belajar mandiri:

Peserta mengerjakan capstone project di tempat kerja

Pengerjaan capstone project KLC

whatsapp

Zoom

Email

dll.

10 I-X (action

learning)

Synchronous maya

Presentasi kelompok

Pengajar memberikan feedback

Tanya jawab/diskusi

Penilaian capstone project peserta

Webinar KLC

Zoom

dll.

8 XI (action

learning)

Kepala Bidang Perencanaan dan Pengembangan Diklat,

Pandu Patriadi NIP 19650126 199103 1 001

kebutuhan strategis unit pengguna yang akan …

Documents