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

Data Transform

  Transformasi data merupakan proses mengubah format, skala, atau representasi data dari bentuk awalnya menjadi bentuk yang lebih sesuai atau lebih mudah untuk diproses, dianalisis, atau dimodelkan. Tujuannya adalah untuk meningkatkan kualitas data, mengurangi kekacauan, atau menyesuaikan data agar cocok dengan kebutuhan analisis atau pemodelan yang akan dilakukan. Beberapa teknik transformasi data umum meliputi: Normalisasi: Mengubah nilai-nilai dalam dataset ke skala yang relatif, sering kali antara 0 dan 1, untuk memastikan bahwa semua variabel memiliki pengaruh yang seimbang dalam analisis. Standardisasi: Mengubah nilai-nilai dalam dataset sehingga memiliki mean 0 dan deviasi standar 1, sehingga mendukung perbandingan antar variabel yang memiliki unit yang berbeda. Transformasi Logaritmik: Menggunakan logaritma alami atau logaritma lainnya untuk mengubah distribusi data yang tidak normal atau cenderung mendekati distribusi normal. Transformasi Box-Cox: Menggunakan tr...
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

Pertemuan 10 Data Mining

  Supervised learning mengacu pada sebuah teknologi kecerdasan buatan tergolong ke dalam kategori machine learning, di mana teknologi ini melatih algoritma dari perangkat komputer pada proses input data yang telah diberi label untuk output tertentu. Singkatnya, perancangan jenis learning ini khusus untuk melatih input data. Algoritma komputer dilatih sampai mendapat hasil yakni dapat melakukan deteksi pola serta hubungan mendasar antara input data dan output label. Nantinya, hal itu akan memungkinkan penyajian dengan hasil pelabelan yang akurat. Pembelajaran satu ini dapat membantu perusahaan dalam memecahkan masalah berskala besar. Jenis machine learning ini cocok untuk menyelesaikan masalah klasifikasi maupun regresi, seperti melakukan penentuan terhadap kategori yang ada pada artikel maupun melakukan prediksi terkait dengan volume penjualan pada waktu tertentu di masa mendatang. Tujuan jenis learning satu ini adalah untuk memperdalam pemahaman data dalam konteks pertanyaan. Supe...
Posting Komentar
Baca selengkapnya