Apakah mungkin memprediksi IP mahasiswa? Tentu saja pertanyaan ini mengusik banyak orang. Keingintahuan IP mahasiswa tidak hanya menjadi kepentingan pihak kampus, tetapi juga bagi mahasiswa itu sendiri. Dengan sejumlah data historis, dapat dikembangkan pendekatan model matematis untuk memprediksi IP mahasiswa.
Pertama, kita harus pahami variabel apa saja yang dapat digunakan dalam prediksi tersebut. Kedua, atas dasar variabel tersebut, kita kumpulkan data-data historis mahasiswa dalam 1 semester. Tentu saja ini dapat dikembangkan sampai semester akhir untuk mendapatkan IP kumulatif atau IPK.
Berikut ini variabel-variabel yang akan digunakan dalam prediksi:
- Student_ID: Nomor identifikasi mahasiswa.
- Entrance_Exam_Score: Nilai ujian masuk (0-100).
- Study_Hours_Per_Week: Jam belajar per minggu.
- Attendance_Percentage: Persentase kehadiran di kelas.
- Extracurricular_Participation: Partisipasi dalam kegiatan ekstrakurikuler (Yes/No).
- Midterm_Score: Nilai ujian tengah semester (0-100).
- Final_Score: Nilai ujian akhir semester (0-100).
- GPA: Nilai rata-rata IPK.
Data historis mahasiswa diberikan sebagai berikut:
Persamaan matematik yang dapat digunakan untuk memprediksi IP adalah sebagai berikut:
Dengan model tersebut, maka diperoleh grafiknya sebagai berikut:
Interpretasinya adalah sebagai berikut:
Kinerja Model:
- R sebesar 0.9926 menunjukkan bahwa model regresi linier mampu menjelaskan 99.26% variabilitas dalam data target (GPA). Ini menunjukkan model memiliki kinerja yang sangat baik.
- MSE yang sangat kecil (0.0022) menunjukkan bahwa rata-rata kuadrat kesalahan prediksi model sangat kecil.
Pengaruh Fitur terhadap GPA:
- Entrance_Exam_Score memiliki koefisien negatif (-0.0169), menunjukkan bahwa peningkatan nilai ujian masuk sedikit menurunkan GPA, yang mungkin kontra-intuitif dan bisa jadi akibat dari data dummy yang kecil.
- Study_Hours_Per_Week memiliki pengaruh positif (0.0733) yang berarti lebih banyak jam belajar per minggu cenderung meningkatkan GPA.
- Attendance_Percentage juga memiliki pengaruh negatif (-0.0181), yang juga sedikit tidak biasa.
- Extracurricular_Participation memiliki koefisien positif yang signifikan (0.2665), menunjukkan bahwa partisipasi dalam kegiatan ekstrakurikuler berkorelasi dengan peningkatan GPA.
- Midterm_Score memiliki pengaruh positif (0.1485), menunjukkan bahwa nilai ujian tengah semester yang lebih tinggi berkontribusi pada peningkatan GPA.
- Final_Score memiliki koefisien negatif (-0.1352), yang mungkin menunjukkan adanya korelasi yang tidak biasa atau hubungan non-linier dalam data dummy ini.
Intercept Model:
- Intercept sebesar 4.3642 menunjukkan nilai dasar GPA saat semua variabel independen bernilai nol.
Dengan penjelasan ini, apakah Anda tertarik untuk memeriksa data-data mahasiswa Anda?
