Kurikulum OBE
Kurikulum Program Magister Sains Data disusun berbasis Outcome-Based Education (OBE) dan Research-Based Education (RBE), berlaku sejak Semester Ganjil 2025/2026.
Dasar Pemutakhiran
Kurikulum ini merupakan hasil pemutakhiran dari kurikulum 2020, dievaluasi lewat Audit Mutu Internal 2021–2022 dan audit proses pembelajaran GPM/UPMF. Landasan utamanya adalah dua kerangka pendidikan yang saling melengkapi:
- Outcome-Based Education (OBE) — kurikulum dirancang mundur dari profil lulusan dan capaian pembelajaran yang jelas dan terukur.
- Research-Based Education (RBE) — minimal 50% SKS berbasis penelitian, hasil kolaborasi dosen-mahasiswa dengan mitra industri, pemerintah, dan institusi pendidikan lain.
Perubahan beban studi minimal ke 36 SKS mengikuti Pasal 19 Permendikbudristek No. 39 Tahun 2025, yang mengatur beban belajar program magister paling sedikit 36 SKS dalam masa tempuh minimal 3 semester.
Profil Profesional Mandiri
Lima peran profesional yang disiapkan oleh kurikulum ini:
Data Scientist
Mengumpulkan, menganalisis, dan menafsirkan data besar untuk mendukung keputusan berbasis data menggunakan statistik dan machine learning.
Data Analyst
Mengolah data menjadi laporan dan visualisasi yang membantu manajemen memahami kinerja bisnis.
Machine Learning Engineer
Mengembangkan dan menerapkan algoritma machine learning untuk aplikasi seperti deteksi anomali dan sistem rekomendasi.
Data Engineer
Merancang dan memelihara infrastruktur data (database, pipeline) agar dapat diakses tim data secara efisien.
Business Intelligence Analyst
Mengembangkan dashboard dan laporan untuk mengukur kinerja dan mengidentifikasi peluang bisnis.
Capaian Pembelajaran Lulusan (CPL)
Delapan capaian yang harus ditunjukkan setiap lulusan.
Menunjukkan sikap profesional, etis, dan bertanggung jawab dalam penerapan ilmu sains data.
Menguasai konsep teoritis lanjutan dalam data science, termasuk statistik, machine learning, dan analitik data.
Menganalisis dan memecahkan permasalahan kompleks berbasis data secara sistematis dan berbasis bukti.
Merancang dan mengembangkan model analitik atau komputasi untuk pengolahan dan interpretasi data.
Mengimplementasikan teknik pemrograman, pengolahan big data, dan kecerdasan buatan secara efektif.
Mengkomunikasikan hasil analisis data secara ilmiah dan profesional kepada berbagai pemangku kepentingan.
Bekerja secara mandiri maupun dalam tim multidisiplin serta beradaptasi terhadap perkembangan teknologi.
Mengintegrasikan aspek etika, privasi, keamanan, dan keberlanjutan dalam penggunaan dan pengelolaan data.
Lima Bahan Kajian
Kerangka materi yang menopang seluruh mata kuliah.
Fundamental Data Science Techniques
Teori dasar, metodologi, dan teknik fundamental: pengolahan data besar, analisis data, aplikasi kecerdasan buatan.
Advanced Machine Learning & AI
Teknik lanjutan machine learning dan AI, termasuk jaringan saraf tiruan dan pembelajaran mendalam (deep learning).
Data Visualization & Communication
Membuat visualisasi data efektif dan mengomunikasikan temuan kepada pemangku kepentingan.
Ethics & Privacy in Data Science
Isu etika dan hukum pengelolaan data: privasi, regulasi, dan tanggung jawab etis.
Interdisciplinary Collaboration
Kolaborasi lintas disiplin dalam proyek nyata: IoT, human capital, pendidikan, dan bidang lainnya.
Struktur Mata Kuliah
W = Wajib · P = Pilihan (disarankan mendukung tesis) · total minimal 36 SKS.
Mata Kuliah Wajib — 30 SKS
| Kode | Mata Kuliah | SKS |
|---|---|---|
| BD001 | Data Mining | 3 |
| BD010 | Big Data Analysis | 3 |
| BD002 | Artificial Intelligence | 3 |
| BD020 | Deep Learning | 3 |
| BD003 | Machine Learning | 3 |
| BD200 | Prothesis | 3 |
| BD210 | Dissemination: Data & Modelling Publication | 6 |
| BD211 | Publication | 6 |
Prothesis, Dissemination, dan Publication (total 15 SKS) disebut Talenta Unggul — jalur riset dan publikasi ilmiah.
Mata Kuliah Pilihan
Minimal 6 SKS dari daftar berikut untuk melengkapi 36 SKS.
| Kode | Mata Kuliah | SKS |
|---|---|---|
| BD100 | Business Intelligence | 3 |
| BD030 | Large Language Model | 3 |
| BD031 | Crypto & Security Intelligence | 3 |
| BD032 | Predictive Time Intelligence | 4 |
| BD110 | Neural Network | 3 |
| BD111 | IoT & Data Science | 2 |
| BD202 | Risk Analysis | 3 |
| BD004 | Smart Farming Project | 2 |
| BD311 | Ethics and Law in Data Science | 2 |
| BD220 | Data Science for Nuclear Application | 2 |
| BD040 | Human Capital Decision Intelligence | 2 |
| BD301 | Seminar in Data Science | 2 |
| BD042 | Industrial Intelligence Project | 2 |
| BD043 | Medical Intelligence Project | 2 |
| BD044 | Food & Agriculture Intelligence Project | 2 |
| BD045 | Biometric Intelligence Project | 2 |
| BD046 | Environmental Intelligence Project (EIP) | 2 |
| BD047 | Socio-Culture–Education Intelligence (SCEI) | 2 |
Program Fast Track
Bagi mahasiswa dengan kemampuan akademik tinggi, tersedia jalur percepatan untuk menyelesaikan 36 SKS dalam 1,5 tahun (3 semester reguler + 2 semester antara). Lama studi efektif bergantung pada jumlah SKS yang sudah diakui dari masa S1 — kurikulum menyediakan hingga 9 kombinasi peta jalan (Tabel 11 dokumen kurikulum) yang menyesuaikan beban tiap semester berdasarkan SKS pengakuan tersebut.
Dokumen Lengkap
Ringkasan di atas mencakup poin-poin utama. Untuk detail penuh (termasuk pemetaan CPL-CPMK tiap mata kuliah, matriks bobot, dan peta jalan lengkap), lihat dokumen resmi berikut.
Jika PDF tidak tampil di sini (tergantung browser/perangkat), gunakan tombol "Buka di tab baru / Unduh" di atas.