Identifikasi Variabel

Di bawah ini adalah variabel yang digunakan dalam dataset prestasi mahasiswa.

Variabel Kategorik:

  • Gender: Jenis Kelamin Mahasiswa (Male/Female).
  • Major: Jurusan Kuliah (Computer Science).
  • Interested Domain: Bidang Minat Teknologi mahasiswa.
  • Python: Tingkat Kemahiran Bahasa Pemrograman Python (Weak, Average, Strong).

Variabel Numerik:

  • Age: Usia mahasiswa dalam tahun.
  • GPA: Indeks Prestasi Kumulatif (IPK).
  • Projects: Jumlah proyek yang telah diselesaikan.

Dari data tersebut akan disajikan visualisasi data dalam bentuk Pie Chart. Berikut terlampir hasil visualisasi data proporsi jumlah proyek yang telah diselesaikan mahasiswa Ilmu Komputer :

Interpretasi

Statistik Deskriptif: Berdasarkan pie chart di atas, terlihat distribusi tingkat kemahiran bahasa Python mahasiswa CS. Kategori Strong merupakan kelompok terbesar dengan persentase 38.9%, diikuti oleh kategori Weak sebesar 35.6%, dan kategori Average sebesar 25.6%. Statistik Inferensia: Berdasarkan pengamatan pada data, terlihat adanya perbedaan jumlah yang cukup jelas antar tiap kategori kemahiran. Secara inferensia, hal ini menunjukkan bahwa tingkat kemampuan Python mahasiswa CS tidak tersebar secara merata. Dominasi kategori Strong mengindikasikan bahwa sebagian besar populasi mahasiswa cenderung memiliki kesiapan teknis yang baik, meskipun masih terdapat kelompok Weak yang cukup besar yang perlu diperhatikan dalam proses pembelajaran.

Dari data tersebut akan disajikan visualisasi data dalam bentuk Bar Chart. Berikut terlampir hasil visualisasi data distribusi jumlah mahasiswa di setiap peminatan:

Interpretasi

Statistik Deskriptif: Berdasarkan bar chart di atas, terlihat perbandingan jumlah mahasiswa berdasarkan Gender. Mahasiswa berjenis kelamin Male (Laki-laki) merupakan kelompok mayoritas dengan jumlah 102 orang, sedangkan mahasiswa berjenis kelamin Female (Perempuan) berjumlah 78 orang. Selisih antar keduanya menunjukkan bahwa bidang Computer Science pada data ini masih lebih banyak didominasi oleh mahasiswa laki-laki.

Statistik Inferensia: Dari visualisasi data tersebut, terlihat adanya ketimpangan jumlah antara kedua kelompok gender. Perbedaan jumlah sebesar 24 mahasiswa ini mencerminkan variasi sebaran gender yang cukup signifikan dalam lingkungan akademik tersebut.

Dari data tersebut akan disajikan visualisasi data dalam bentuk Histogram. Berikut terlampir hasil visualisasi:

Interpretasi

Statistik Deskriptif: Grafik histogram menunjukkan distribusi nilai GPA (IPK) dari seluruh mahasiswa. Terlihat bahwa nilai GPA terkonsentrasi di rentang 3.5 hingga 3.8, dengan puncak frekuensi tertinggi berada di sekitar nilai 3.7. Rentang nilai terendah dimulai dari 3.1 dan nilai tertinggi mencapai 3.9.

Statistik Inferensia: Secara keseluruhan, data menunjukkan tren positif di mana mayoritas mahasiswa memiliki performa akademik yang sangat memuaskan (di atas 3.5). Bentuk distribusi yang cenderung menumpuk di sisi kanan ( skewed to the left ) mengindikasikan bahwa secara umum, populasi mahasiswa CS dalam dataset ini memiliki kompetensi akademik yang tinggi.

Dari data tersebut akan disajikan visualisasi data dalam bentuk BoxPlot. Berikut terlampir hasil visualisasi:

Interpretasi

Statistik Deskriptif: Boxplot membandingkan sebaran GPA berdasarkan tingkat kemahiran Python. Kelompok Strong memiliki median GPA tertinggi (sekitar 3.7), disusul oleh kelompok Weak (sekitar 3.6), dan kelompok Average yang memiliki median terendah (sekitar 3.5). Menariknya, kelompok Strong memiliki rentang nilai yang lebih sempit dan konsisten di angka tinggi.

Statistik Inferensia: Terdapat korelasi visual yang menunjukkan bahwa mahasiswa dengan kemahiran Python yang kuat cenderung memiliki performa akademik (GPA) yang lebih stabil di level atas. Adanya titik hitam di bawah kotak Strong menandakan terdapat outlier, yaitu mahasiswa mahir Python namun memiliki GPA yang jauh lebih rendah dibanding rekan sekelompoknya.

Dari data tersebut akan disajikan visualisasi data dalam bentuk Density Plot. Berikut terlampir hasil visualisasi:

Interpretasi

Statistik Deskriptif: Density plot ini menunjukkan perbandingan persebaran GPA antara mahasiswa laki-laki (Male) dan perempuan (Female). Kurva perempuan (merah muda) menunjukkan dua puncak (bimodal), dengan konsentrasi massa terbesar di angka 3.7. Sedangkan kurva laki-laki (biru muda) terlihat lebih landai dan tersebar luas dari nilai GPA rendah hingga tinggi.

Statistik Inferensia: Secara visual, kelompok mahasiswi memiliki distribusi nilai yang lebih terkumpul pada angka tinggi dibandingkan mahasiswa laki-laki. Area tumpang tindih (overlap) yang besar antara kedua kurva menunjukkan bahwa secara umum tidak ada perbedaan performa yang ekstrim antar gender, namun kelompok perempuan menunjukkan konsistensi nilai yang sedikit lebih baik pada dataset ini.

Analisis Statistik Deskriptif GPA

Hasil Perhitungan Statistik Deskriptif GPA
Statistik Nilai
Mean 3.62
Median 3.60
Modus 3.70
Q1 3.50
Q3 3.70
Range 0.70
Varians 0.03
Std. Deviasi 0.18