Studi Kasus Data Mining Dalam Menentukan Tingkat Kelulusan Mahasiswa


Studi Kasus: 


Anda diberikan data transkrip nilai dan data lulusan dari universitas melalui API. Data transkrip nilai mencakup detail nilai yang diperoleh mahasiswa untuk mata kuliah yang diambil. Data lulusan memberikan informasi demografis dan akademik mahasiswa, termasuk tanggal masuk dan lulus, serta predikat kelulusan. (API Dokumentasi : https://documenter.getpostman.com/view/6355959/2sA35HY1XM atau dapat di lihat pada bagian FInal Project Information ).

1. Integrasi dan Pembersihan Data.

  • Cari IPS setiap semester permahasiswa. ini bisa memudahkan untuk normalisasi data
  • Gabungkan IPS permahasiswa dengan dataset yang lainya ("ms_lulusan") berdasarkan NIM.
  • Tambahkan hasil dari durasi studi masing-masing mahasiswa
  • Lakukan pembersihan data, termasuk mengidentifikasi dan mengatasi nilai yang hilang atau tidak konsisten dalam data. Hilangkan mahasiswa pindahan.
  • Standardisasi format tanggal dan jenis kelamin untuk analisis lebih lanjut.

2. Analisis

  • Cari pola atau tren yang paling mempengaruhi dengan lulusan tepat waktu atau lama masa studi, misal :
  1. Analisis apakah ada hubungan antara nilai rata-rata mata kuliah atau IPS dengan lulusan tepat waktu. 
  2. Analisis apakah ada korelasi positif antara predikat kelulusan 'Pujian' dengan lulusan tepat waktu
  3. Analisis untuk melihat apakah durasi studi lebih pendek berkorelasi dengan predikat kelulusan yang lebih baik
  4. Hitung rata-rata nilai total untuk masing-masing jenis kelamin dan bandingkan untuk melihat apakah ada perbedaan signifikan dalam prestasi akademik berdasarkan jenis kelamin
  5. atau gabungan dari beberapa variabel yang mempengaruhi lulusatepat waktu

3. Laporan dan Presentasi

  • Sajikan hasil analisis dalam bentuk laporan tertulis yang lengkap dengan grafik atau tabel yang mendukung hasil analisis.

Penyelesaian: 

1. Masukkan dataset ke dalam google colaboratory, disini dataset kita impor langsung melalui API
a. Memasukan tabel transkip_nilai dan menghitung nilai IPS mahasiswa per semester

    Kode: 





 

    


    Hasil dari kode diatas: 


 




  
      
    Kode menghitung IPS:


 

    Hasil dari kode diatas

    

b. Memasukkan tabel ms_lulusan ke dalam google colaboratory

     Kode:  



 

 


 


   

    Hasil dari kode diatas:


 

 




2. Menggabungkan tabel transkip_nilai dengan tabel ips_per_semster

    Kode:

    
    


    
    Hasil dari kode diatas:







3. Konversi kolom tanggal lulus dan tanggal masuk ke tipe data datetime

    Kode:






4. Lakukan pembersihan data dan menghapus data yang tidak dibutuhkan 
    
    Kode:














'


    Kode: 











5. Buat standarisasi format tanggal dan jenis kelamin, seperti merubah format tanggal dan mengganti format pada kolom jenis_kelamin yang semula hanya terdiri dari angka 1 dan 0. Menjadi angka 1 untuk laki-laki dan angka 0 untuk perempuan.
    
    Kode:






6. Lakukan analisis untuk mencari pola trend yang mempengaruhi dengan lulusan tepat waktu

    Kode:








    




Hasil dari kode diatas:













7. Menghitung keterkaitan antara durasi studi dan predikat kelulusan

    Kode:









8. Buat grafik yang menampilkan hubungan antara durasi studi dan proporsi mahasiswa dengan predikat "pujian" yang lulus tepat waktu

    Kode:






    

Hasil dari kode diatas:












9. Melakukan analisis terhadap tingkat prestasi berdasarkan jenis kelamin
    
    Kode:








Artikel ini kami buat untuk menyelesaikan tugas quiz pada pertemuan 5 mata kuliah data mining 

Nama Kelompok : 
1. Diah Nurlaila
2. Muhammad Andro Eka Hariyadi
3. Rini Betrix Laurentzia


Komentar

Posting Komentar

Postingan populer dari blog ini

30 JENIS ALGORITMA SUPERVISED LEARNING (PREDIKSI)

Penjelasan Tentang Pembelajaran Supervised Learning Pembelajaran Supervised Learning adalah salah satu jenis metode pembelajaran mesin (machine learning) yang paling umum digunakan. Dalam pembelajaran terawasi, model dilatih menggunakan dataset yang sudah memiliki label atau jawaban yang benar. Tujuannya adalah untuk mengajarkan model agar dapat memprediksi output atau label yang benar untuk input baru yang belum pernah dilihat sebelumnya. Komponen Utama dalam Supervised Learning: Data Pelatihan (Training Data) : Input (Fitur atau Variabel Independem) : Merupakan atribut atau karakteristik yang digunakan untuk membuat prediksi. Biasanya dilambangkan dengan X X X . Output (Label atau Variabel Dependen) : Merupakan hasil atau kategori yang ingin diprediksi oleh model. Biasanya dilambangkan dengan Y Y Y . Model Pembelajaran Mesin : Model adalah algoritma yang digunakan untuk mempelajari hubungan antara input dan output dari data pelatihan. Model ini kemudian digunakan untuk memprediksi ou
Baca selengkapnya

Apa Itu Entitas, Atribut dan Relasi Dalam ERD

Gambar
Apa Itu Entitas, Atribut dan Relasi di Dalam ERD                                                Sumber : https://www.ekrut.com/ Dalam pembuatan database, ternyata diperlukan satu komponen penting bernada ERD yang wajib dibuat. Diagram relasi ini bisa dikatakan hal paling mendasar dalam penyimpanan atau menyusun informasi berbasis data. Sebenarnya, apa itu ERD? ERD (Entity Relationship Diagram) ERD (Entity Relationship Diagram) adalah model atau rancangan untuk membuat database, supaya lebih mudah dalam menggambarkan data yang memiliki hubungan atau relasi dalam bentuk sebuah desain. Dengan adanya ERD, maka sistem database yang terbentuk dapat digambarkan dengan lebih terstruktur dan rapi Komponen ERD ERD biasanya erat kaitannya dengan DFD (Data Flow Diagram) untuk menampilkan sebuah data store. Tujuannya untuk memvisualisasikan bagaimana proses data dapat saling terhubung dan dapat mengkontruksi data relasional. Berikut adalah beberapa komponen penting dalam ERD yaitu sebagai berikut:
Baca selengkapnya