Quiz P5 Data Mining

-

Quiz P5 Data Mining


Link G Collab : Google Collab Quiz P5

Download PDF : PDF


1.      Pendahuluan

Dalam laporan ini, kami akan menganalisis data transkrip nilai mahasiswa untuk mengeksplorasi beberapa aspek, 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 per Semester per Mahasiswa

Kami 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.

 

NIM

Semester

IPS

15416226201001

1

3.25

...

...

...

20416286206132

7

3.90

20416286206132

8

3.80

 

3.      Hubungan antara IPS dan Lulusan Tepat Waktu

Kami mengevaluasi apakah ada hubungan antara IPS atau nilai rata-rata mata kuliah dengan lulusan tepat waktu. Dari analisis yang dilakukan, kami 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 menemukan bahwa sebagian besar mahasiswa yang mendapatkan predikat 'Pujian' lulus tepat waktu, sementara sebagian kecil dari mereka yang tidak mendapatkan predikat 'Pujian' lulus tepat waktu.

Visualisasi:

 

Predikat Kelulusan

Persentase Lulus Tepat Waktu

Pujian

65.9%

Tidak Pujian

34.1%

 

5.      Hubungan antara Durasi Studi dan Predikat Kelulusan

Analisis 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.

Visualisasi:

Jenis Kelamin

Rata-rata Nilai Total

Laki-laki

80.50

Perempuan

82.03

 

7.      Kriteria Penilaian

Dalam analisis ini, kami memperhatikan beberapa kriteria penilaian sebagai berikut :

1.    Kemampuan untuk melakukan integrasi dan pembersihan data

Kami membersihkan data dari nilai yang hilang dan melakukan integrasi dengan data lainnya untuk analisis yang komprehensif.

2.    Keefektifan dalam menerapkan teknik analisis statistic

Kami menggunakan berbagai teknik analisis statistik untuk mendapatkan wawasan yang mendalam dari data.

3.    Kemampuan analisis untuk menemukan pola dan tren yang signifikan

Melalui analisis, kami mencari pola dan tren yang signifikan dalam data untuk menghasilkan pemahaman yang mendalam.

4.    Kedalaman analisis dan kreativitas dalam mengeksplorasi data

Analisis kami mencakup berbagai aspek dari data dan mencoba untuk menggali wawasan yang belum terlihat sebelumnya.

5.    Kelengkapan dan kejelasan laporan akhir, termasuk penggunaan visualisasi data

Laporan kami mencakup semua hasil analisis dengan jelas dan didukung oleh visualisasi data yang sesuai

 

8.      Kesimpulan

Berdasarkan analisis yang dilakukan, kami dapat menyimpulkan bahwa terdapat beberapa faktor yang memengaruhi kinerja akademik mahasiswa, termasuk durasi studi, predikat kelulusan, dan jenis kelamin. Namun, korelasi antara IPS dan lulusan tepat waktu tidak terlalu signifikan.

Demikianlah laporan analisis data transkrip nilai mahasiswa ini disusun. Semoga laporan ini dapat memberikan wawasan yang berguna dalam pemahaman tentang faktor-faktor yang memengaruhi kinerja akademik mahasiswa.




Komentar

Posting Komentar

Postingan populer dari blog ini

SEMMA (Sample, Emplore, Model & Assess)

-
Gambar
SEMMA (Sample, Explore, Modify, Model, dan Assess) Model proses yang disebut SEMMA (singkatan dari Sample, Explore, Modify, Model, dan Assess) dikembangkan oleh Institut SAS untuk menggambarkan berbagai langkah yang perlu dilakukan untuk melakukan analisis data dan membangun model prediktif. Berikut adalah penjelasan singkat dari setiap langkah dalam model SEMMA: Sample (Sampling): Pertama, sampel dari data yang tersedia dipilih. Ini dapat berupa sampel acak atau sampel yang dipilih berdasarkan kriteria tertentu. Tujuannya adalah untuk memastikan bahwa populasi data diwakili secara akurat dan mengurangi bias. Explore (Exploratory Data Analysis): Pada tahap ini, data yang telah disampling diperiksa lebih lanjut. Ini termasuk melihat data, melakukan analisis statistik deskriptif, dan menemukan pola atau anomali yang menarik. Eksplorasi ini membantu memahami karakteristik data, hubungan antar variabel, dan pola atau anomali yang mungkin bermanfaat untuk pemodelan. Modify (Data Preparat...
Baca selengkapnya

Pre-processing

-
Gambar
Pre Processing Preprocessing adalah teknik paling awal sebelum melakukan data mining dan digunakan untuk menghilangkan masalah yang mungkin terjadi selama pemrosesan data karena format data yang tidak konsisten. Namun, preprocessing juga mencakup beberapa proses seperti membersihkan, mengintegrasikan, mentransformasikan, dan mereduksi data. Data Cleaning Data cleaning atau membersihkan data berarti bahwa data mentah harus dipilih kembali dan kemudian dihapus atau dihilangkan data yang tidak lengkap, tidak relevan, atau tidak akurat. Dengan melakukan tahap ini, Anda dapat menghindari kesalahpahaman saat menganalisis data. Contoh Implementasi data cleaning : 1. Code untuk implementasi Data Cleaning : 2. Output dari code setelah di run : 3. Kesimpulan Kode : Ketika kita menjalankan kode di atas, DataFrame asli dan yang sudah dibersihkan akan ditampilkan. Kode ini akan menangani nilai yang hilang, menghapus duplikat, memperbaiki tipe data, menangani outlier, dan menstandarisasi data. Data ...
Baca selengkapnya

Supervise Learning dan 30 Algoritmanya

-
Supervise Learning Dalam bahasa Indonesia, pembelajaran yang diawasi didefinisikan sebagai pembelajaran yang diawasi oleh pengasuh. Di sini, maksudnya ada label di setiap datanya; label ini adalah tag dari data yang ditambahkan dalam model pembelajaran mesin. Sebagai contoh, setiap gambar kucing memiliki tag "kucing" dan setiap gambar anjing memiliki tag "anjing". Clasificasi (misalnya, "anjing", "kucing", "beruang", dll.) dan regression (misalnya, berat badan, tinggi badan, dll.) adalah dua metode yang dapat digunakan dalam pembelajaran mesin untuk kategorisasi. Pola yang diprediksi sering menggunakan pembelajaran supervisi karena pola tersebut sudah ada contoh data yang lengkap, sehingga pola yang terbentuk adalah hasil pembelajaran data lengkap tersebut. Tidak diragukan lagi, ketika kita memasukkan data baru setelah proses ETL (Extract Transform Load), sample baru akan menerima informasi fitur fitur dari proses tersebut. lalu dari fi...
Baca selengkapnya