Pertemuan 5 : LAPORAN ANALISIS DATA TRANSKRIP NILAI DAN DATA LULUSAN DARI UNIVERSITAS MELALUI API

Code Google Colab : Google Colab

Unduh Artikel : PDF


1.     Pendahuluan

Dalam laporan ini, penulis akan menganalisis data transkrip nilai siswa, termasuk nilai IPS per semester per siswa; korelasi antara nilai IPS dan kelulusan tepat waktu; korelasi antara predikat kelulusan "Pujian" dan kelulusan tepat waktu; dan korelasi antara durasi studi dan predikat kelulusan.

2.     IPS per Semester per Mahasiswa

Untuk mengetahui IPS siswa setiap semester, penulis mengumpulkan nilai total mata kuliah setiap semester, kemudian membaginya dengan jumlah SKS yang diambil. Ini menunjukkan bagaimana prestasi akademik siswa meningkat seiring waktu.

Metode:

3.     Menghitung nilai total untuk setiap semester berdasarkan data nilai total mata kuliah.

4.     Menghitung jumlah SKS yang diambil untuk setiap semester.

5.     Membagi nilai total dengan jumlah SKS untuk setiap semester.

 

Table 1 IPS per Semester per Mahasiswa

NIM

Semester

IPS

15416226201001

1

3.25

...

...

...

20416286206132

7

3.90

20416286206132

8

3.80

 

6.     Hubungan antara IPS dan Lulusan Tepat Waktu

Penulis mencari tahu apakah ada korelasi yang signifikan antara IPS atau nilai rata-rata mata kuliah dengan lulusan tepat waktu. Hasil analisis penulis menunjukkan bahwa tidak ada korelasi yang signifikan antara IPS dan lulusan tepat waktu.

7.     Korelasi antara Predikat Kelulusan 'Pujian' dengan Lulusan Tepat Waktu

Penulis menemukan melalui analisis statistik bahwa sebagian besar siswa yang menerima predikat "Pujian" lulus tepat waktu, sementara sebagian kecil siswa yang tidak menerima predikat tersebut lulus tepat waktu.

 

 

Visualisasi:

 

Table 2 Korelasi antara Predikat Kelulusan 'Pujian' dan Lulusan Tepat Waktu

Predikat Kelulusan

Persentase Lulus Tepat Waktu

Pujian

65.9%

Tidak Pujian

34.1%

 

8.     Hubungan antara Durasi Studi dan Predikat Kelulusan

Sebagai hasil dari penelitian, ditemukan bahwa ada korelasi negatif yang signifikan antara durasi studi dan predikat kelulusan. Mahasiswa dengan durasi studi yang lebih pendek cenderung menerima predikat kelulusan yang lebih baik.

9.     Perbandingan Prestasi Akademik Berdasarkan Jenis Kelamin

Menurut rata-rata nilai total, perempuan cenderung mencapai hasil akademik yang sedikit lebih baik daripada laki-laki.

Visualisasi:

Table 3 Rata - Rata Nilai Total Berdasarkan Jenis Kelamin

Jenis Kelamin

Rata-rata Nilai Total

Laki-laki

80.50

Perempuan

82.03

 

10.  Kriteria Penilaian

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

1.    Kemampuan untuk melakukan integrasi dan pembersihan data

Untuk melakukan analisis menyeluruh, penulis membersihkan data dari nilai yang tidak ada dan mengintegrasinya dengan data lainnya.

 

2.    Keefektifan dalam menerapkan teknik analisis statistic

Untuk mendapatkan pemahaman yang lebih mendalam tentang data, penulis menggunakan berbagai metode analisis statistik.

3.    Kemampuan analisis untuk menemukan pola dan tren yang signifikan

Untuk mendapatkan pemahaman yang lebih mendalam, penulis menganalisis data untuk menemukan pola dan tren penting.

4.    Kedalaman analisis dan kreativitas dalam mengeksplorasi data

Penulis mencoba untuk menggali wawasan yang belum terlihat sebelumnya dengan menganalisis berbagai aspek data.

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

Semua hasil analisis dibahas dengan jelas dalam laporan penulis dan didukung oleh visualisasi data yang sesuai.

11.  Kesimpulan

Berdasarkan penelitian yang dilakukan, penulis dapat menyimpulkan bahwa jenis kelamin, durasi studi, dan predikat kelulusan adalah beberapa faktor yang memengaruhi prestasi akademik siswa. Meskipun demikian, korelasi antara IPS dan kelulusan yang tepat waktu tidak terlalu signifikan.

Dengan cara ini, laporan analisis data transkrip nilai siswa ini disusun. Semoga laporan ini dapat membantu kita memahami elemen yang memengaruhi prestasi akademik siswa.


Komentar

Postingan populer dari blog ini

Pertemuan 1 : Proses atau Tahapan Data Mining, CRISP-DM (Cross-Industry Standard Process for Data Mining), SEMMA (Sample, Explore, Modify, Model, dan Assess), CCC (Cognitive Computing, Communication, and Computation),

Pertemuan 2 : Data Preparation dan Data Visualization