Langsung ke konten utama

QUIZ DATA MINING

Link Google Colab :  Klik Disini (Google Colab)

Link File PDF : Klik Disini (PDF)

  1. Pendahuluan
    Laporan ini bertujuan menganalisis data transkrip nilai mahasiswa untuk menentukan IPS per semester setiap mahasiswa, termasuk IPS per semester per mahasiswa, hubungan antara IPS dan lulusan tepat waktu, korelasi antara predikat kelulusan 'Pujian' dengan lulusan tepat waktu, hubungan antara durasi studi dan predikat kelulusan, serta perbandingan prestasi akademik berdasarkan jenis kelamin.

  2. IPS Setiap Semester per Mahasiswa
    Untuk menghitung IPS per semester per mahasiswa dengan mengumpulkan nilai total mata kuliah untuk setiap semester dan kemudian membaginya dengan jumlah SKS yang diambil. Ini memberikan gambaran tentang kinerja akademik mahasiswa dari waktu ke waktu.

    Metode:
    1. Menghitung nilai total untuk setiap semester berdasarkan data nilai total mata kuliah.
    2. Menghitung jumlah SKS yang diambil untuk setiap semester.
    3. Membagi nilai total dengan jumlah SKS untuk setiap semester.

     



  3. Hubungan antara IPS dan Lulusan Tepat Waktu
    Dengan mengevaluasi apakah ada hubungan antara IPS atau nilai rata-rata mata kuliah dengan lulusan tepat waktu. Dari analisis yang dilakukan, dalam hal ini menemukan bahwa tidak ada korelasi yang signifikan antara IPS dan lulusan tepat waktu.

  4. Korelasi antara Predikat Kelulusan ‘Pujian’ dengan Lulusan Tepat Waktu
    Melalui analisis statistik, kami mendapatkan bahwa sebagian besar mahasiswa yang mendapatkan predikat 'Pujian' lulus tepat waktu, sementara sebagian kecil dari mereka yang tidak mendapatkan predikat 'Pujian' lulus tepat waktu

     
  5. Hubungan antara Durasi Studi dan Predikat Kelulusan
    Analisis ini menunjukkan bahwa terdapat korelasi negatif yang signifikan antara durasi studi dan predikat kelulusan. Mahasiswa dengan durasi studi yang lebih pendek cenderung mendapatkan predikat kelulusan yang lebih baik.

  6. Perbandingan Prestasi Akademik Berdasarkan Jenis Kelamin
    Rata-rata nilai total menunjukkan bahwa perempuan cenderung memiliki prestasi akademik yang sedikit lebih tinggi daripada laki-laki.

    Berikut merupakan Visualisasi dari Perbandingan Prestasi Akademik Berdasarkan Jenis Kelamin:



  7. Kesimpulan
    Berdasarkan analisis yang dilakukan, dapat disimpulkan bahwa ada beberapa faktor yang mempengaruhi prestasi akademik mahasiswa, seperti lama studi, predikat kelulusan, dan jenis kelamin. Namun korelasi IPS dengan kelulusan tepat waktu tidak terlalu signifikan.

Komentar

Posting Komentar

Postingan populer dari blog ini

SEMMA (Sample, Explore, Modify, Model, Assess)

  SEMMA adalah singkatan dari Sample, Explore, Modify, Model, dan Assess. Ini adalah sebuah model proses yang dikembangkan oleh SAS Institute, salah satu produsen perangkat lunak statistik dan bisnis intelligence. Model ini membimbing pelaksanaan proyek data mining dengan menekankan pada pengembangan dan penilaian model. Berikut adalah penjelasan singkat tentang masing-masing tahap SEMMA: Sample : Tahap ini bersifat opsional, yaitu mengambil sampel data dari kumpulan data yang besar untuk menampung informasi yang signifikan, namun dapat dimanipulasi dengan cepat. Explore : Tahap ini adalah mengeksplorasi data yang sudah dikumpulkan dengan mencari tren dan anomali yang tak terduga dalam rangka untuk mendapatkan pemahaman dan ide-ide. Modify : Tahap ini adalah memodifikasi data dengan menciptakan, menyeleksi, dan mentransformasi variabel-variabel untuk fokus pada proses pemilihan model. Model : Tahap ini adalah memodelkan data yang sudah dimodifikasi dengan menggunakan perangkat lun...
Posting Komentar
Baca selengkapnya

Data Visualization

  Data Visualization atau Visualisasi Data adalah representasi grafis dari informasi dan data. Dengan visualisasi data, informasi yang kompleks dapat disajikan dalam format yang lebih mudah dipahami dan diinterpretasikan. Tujuan utama visualisasi data adalah untuk mengomunikasikan informasi secara jelas dan efisien kepada pengguna. Beberapa tipe visualisasi data yang umum digunakan: Grafik Batang (Bar Chart) : Digunakan untuk membandingkan nilai-nilai dari beberapa kategori atau kelompok data. Grafik Garis (Line Chart) : Menampilkan perubahan data dalam rentang waktu atau urutan tertentu. Grafik Pie (Pie Chart) : Menunjukkan proporsi atau persentase dari keseluruhan data dalam bentuk lingkaran. Histogram : Menggambarkan distribusi frekuensi data dalam bentuk batang. Peta (Maps) : Memvisualisasikan data berdasarkan lokasi geografis. Scatter Plot : Menunjukkan hubungan antara dua set data numerik. Treemap : Menampilkan hierarki data dalam bentuk persegi panjang bersarang. Vis...
Posting Komentar
Baca selengkapnya

CRISP-DM( Cross-Industry Standard Process for Data Mining)

  CRISP-DM (Cross-Industry Standard Process for Data Mining) adalah sebuah model proses standar yang menggambarkan pendekatan-pendekatan umum yang digunakan oleh para ahli data mining. Model ini adalah model analitik yang paling banyak digunakan. CRISP-DM terdiri dari enam tahap, yaitu: Pemahaman bisnis: menentukan tujuan dan persyaratan proyek data mining sesuai dengan kebutuhan bisnis. Pemahaman data: mengumpulkan, menjelajah, dan menganalisis data yang relevan dengan tujuan data mining. Persiapan data: membersihkan, mengintegrasikan, dan mentransformasi data agar siap untuk pemodelan. Pemodelan: membuat dan menguji beberapa model data dengan menggunakan algoritma-algoritma yang sesuai. Evaluasi: mengevaluasi kinerja dan validitas model data yang dibuat dan memilih model terbaik. Penyebaran: menyajikan atau mengimplementasikan hasil data mining kepada pihak-pihak yang terkait.
Posting Komentar
Baca selengkapnya