kebutuhan strategis unit pengguna yang akan …
TRANSCRIPT
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.
PUSDIKLAT KEUANGAN UMUM 2
Program Pelatihan Jarak Jauh Data-Driven Decision-Making
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;
PUSDIKLAT KEUANGAN UMUM 3
Program Pelatihan Jarak Jauh Data-Driven Decision-Making
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 - - - -
PUSDIKLAT KEUANGAN UMUM 4
Program Pelatihan Jarak Jauh Data-Driven Decision-Making
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.
PUSDIKLAT KEUANGAN UMUM 5
Program Pelatihan Jarak Jauh Data-Driven Decision-Making
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.
PUSDIKLAT KEUANGAN UMUM 6
Program Pelatihan Jarak Jauh Data-Driven Decision-Making
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;
PUSDIKLAT KEUANGAN UMUM 7
Program Pelatihan Jarak Jauh Data-Driven Decision-Making
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;
PUSDIKLAT KEUANGAN UMUM 8
Program Pelatihan Jarak Jauh Data-Driven Decision-Making
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
PUSDIKLAT KEUANGAN UMUM 9
Program Pelatihan Jarak Jauh Data-Driven Decision-Making
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
PUSDIKLAT KEUANGAN UMUM 10
Program Pelatihan Jarak Jauh Data-Driven Decision-Making
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
PUSDIKLAT KEUANGAN UMUM 11
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
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
Penyampaian materi dari pengajar
Tanya jawab/diskusi
Kehadiran Peserta Nilai Aktivitas
KLC
Zoom
dll.
3 I
Belajar mandiri:
Mempelajari materi mandiri
Mengerjakan tugas
Penyelesaian tugas KLC
Zoom
dll.
2 I
Synchronous maya
Penyampaian materi dari pengajar
Tanya jawab/diskusi
Feedback hasil penugasan dari pengajar
Kehadiran Peserta Nilai Aktivitas
Webinar KLC
Zoom
dll.
2 I
PUSDIKLAT KEUANGAN UMUM 12
Program Pelatihan Jarak Jauh Data Driven Decision Making
No Mata Pelajaran Standar Kompetensi &
Kompetensi Dasar Aktivitas Belajar
Penugasan/ Evaluasi Aktivitas
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:
Mempelajari materi mandiri
Penyelesaian materi pembelajaran mandiri
KLC
Zoom
dll.
1 II
Synchronous maya
Penyampaian materi dari pengajar
Tanya jawab/diskusi
Kehadiran Peserta Nilai Aktivitas
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
Kehadiran Peserta Nilai Aktivitas
KLC
Zoom
dll.
2
II
Belajar mandiri:
mempelajari materi mandiri
mengerjakan tugas
Penyelesaian tugas dari pengajar
Remote desktop
Zoom
dll.
3 II
Synchronous maya
Tanya jawab/diskusi
Feedback hasil penugasan dari pengajar
Kehadiran Peserta Nilai Aktivitas
Webinar KLC
Zoom
dll.
3
II
PUSDIKLAT KEUANGAN UMUM 13
Program Pelatihan Jarak Jauh Data Driven Decision Making
No Mata Pelajaran Standar Kompetensi &
Kompetensi Dasar Aktivitas Belajar
Penugasan/ Evaluasi Aktivitas
Media Pembelajaran
JP Hari
Belajar mandiri:
refleksi hasil pembahasan pengajar
diskusi antar peserta
Perbaikan tugas mandiri KLC
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
Penyelesaian materi pembelajaran mandiri
KLC
Zoom
dll.
1 III
Synchronous maya
Tanya jawab/diskusi
Feedback hasil penugasan dari pengajar
Kehadiran Peserta Nilai Aktivitas
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
Kehadiran Peserta Nilai Aktivitas
Webinar KLC
Zoom
dll.
2 III
PUSDIKLAT KEUANGAN UMUM 14
Program Pelatihan Jarak Jauh Data Driven Decision Making
No Mata Pelajaran Standar Kompetensi &
Kompetensi Dasar Aktivitas Belajar
Penugasan/ Evaluasi Aktivitas
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
Zoom
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