1. Latar Belakang

Data mahasiswa merupakan salah satu jenis data yang dapat memberikan gambaran mengenai berbagai karakteristik mahasiswa, baik dari sisi identitas maupun aktivitas akademik. Data tersebut dapat mencakup informasi seperti jenis kelamin, umur, semester, program studi, daerah asal, kebiasaan belajar, kehadiran, nilai akademik, penggunaan internet, waktu tidur, serta tingkat kepuasan terhadap perkuliahan. Sebelum digunakan untuk melakukan analisis lebih lanjut, data perlu diperiksa terlebih dahulu untuk memastikan kualitasnya. Data yang belum diperiksa dapat mengandung berbagai permasalahan, seperti nilai yang kosong, penulisan kategori yang tidak seragam, data yang tercatat lebih dari satu kali, maupun nilai yang tidak sesuai dengan kondisi sebenarnya. Permasalahan tersebut dapat memengaruhi hasil pengolahan dan menyebabkan interpretasi data menjadi kurang tepat. Oleh karena itu, dilakukan eksplorasi terhadap dataset mahasiswa untuk mengetahui kondisi data secara keseluruhan serta mengidentifikasi permasalahan yang terdapat di dalamnya. Proses ini menjadi tahap awal yang penting sebelum data digunakan untuk analisis lebih lanjut.

2. Tujuan Membersihkan Data

Proses pembersihan data dilakukan untuk memastikan dataset mahasiswa berada dalam kondisi yang lebih teratur dan dapat digunakan dengan baik untuk tahap analisis berikutnya. Berdasarkan kebutuhan pemeriksaan kualitas data, proses pembersihan memiliki beberapa tujuan utama, yaitu:

1. Struktur Dataset

2. Macam-Macam Variabel

1. Missing Value

Missing value merupakan kondisi ketika terdapat nilai yang kosong atau tidak tersedia pada suatu variabel. Pemeriksaan ini dilakukan untuk mengetahui variabel mana yang memiliki nilai kosong serta jumlahnya.

## Jam_Belajar_per_Minggu       Kehadiran_Persen            Nilai_Tugas 
##                     12                     10                      8 
##            Nilai_Ujian        Kepuasan_Kuliah 
##                      8                      8

2. Inkonsistensi Data

Inkonsistensi data terjadi ketika informasi yang memiliki makna sama ditulis dengan format atau bentuk yang berbeda. Kondisi ini perlu diperiksa karena perbedaan penulisan dapat menyebabkan data yang seharusnya termasuk dalam satu kategori justru terbaca sebagai kategori yang berbeda. Pada dataset mahasiswa, pemeriksaan inkonsistensi dilakukan terutama pada variabel Gender dan Kota_Asal.

## [1] "Laki-laki" "Perempuan" "L"         "Wanita"    "Female"    "P"        
## [7] "Male"      "Pria"

##  [1] "Pekanbaru" "Dumai"     "Medan"     "Padang"    "Jambi"     "JAMBI"    
##  [7] "MEDAN"     "pekanbaru" "DUMAI"     "padang"    "PADANG"    "jambi"    
## [13] "PEKANBARU"

3. Duplikasi Data

Duplikasi data diperiksa untuk mengetahui apakah terdapat data mahasiswa yang tercatat lebih dari satu kali. Data yang terduplikasi perlu diperhatikan karena dapat menyebabkan satu mahasiswa dihitung lebih dari satu kali dan berpotensi memengaruhi hasil analisis.

## 
## 100032 100096 100213 100425 100435 100443 100557 100761 100769 100844 100866 
##      2      2      2      2      2      2      2      2      2      2      2 
## 100947 100994 101011 101086 
##      2      2      2      2

## [1] 14

## # A tibble: 14 × 15
##    ID_Mahasiswa Nama           Gender     Umur Semester Program_Studi Kota_Asal
##           <dbl> <chr>          <chr>     <dbl>    <dbl> <chr>         <chr>    
##  1       100769 Mahasiswa_0769 Laki-laki    19        3 Statistika    Padang   
##  2       100032 Mahasiswa_0032 Laki-laki    21        3 Statistika    Medan    
##  3       100443 Mahasiswa_0443 Laki-laki    20        3 Statistika    Pekanbaru
##  4       101086 Mahasiswa_1086 Perempuan    19        4 Matematika    Jambi    
##  5       100947 Mahasiswa_0947 Laki-laki    22        4 Statistika    Padang   
##  6       100435 Mahasiswa_0435 Laki-laki    21        5 Statistika    Padang   
##  7       100213 Mahasiswa_0213 Perempuan    20        3 Statistika    Pekanbaru
##  8       100844 Mahasiswa_0844 Perempuan    23        4 Statistika    Pekanbaru
##  9       100866 Mahasiswa_0866 Perempuan    22        3 Statistika    Medan    
## 10       100761 Mahasiswa_0761 Laki-laki    21        3 Statistika    Pekanbaru
## 11       100994 Mahasiswa_0994 Perempuan    22        3 Statistika    Medan    
## 12       100557 Mahasiswa_0557 Laki-laki    21        3 Matematika    Pekanbaru
## 13       100425 Mahasiswa_0425 Laki-laki    21        3 Statistika    Padang   
## 14       100096 Mahasiswa_0096 Perempuan    24        3 Statistika    Jambi    
## # ℹ 8 more variables: Jam_Belajar_per_Minggu <dbl>, Kehadiran_Persen <dbl>,
## #   Nilai_Tugas <dbl>, Nilai_Ujian <dbl>, Nilai_Akhir <dbl>,
## #   Jam_Internet_per_Hari <dbl>, Jam_Tidur_per_Hari <dbl>,
## #   Kepuasan_Kuliah <dbl>

4. Menampilkan Data Noisy

Data noisy merupakan data yang memiliki nilai tidak wajar atau berada di luar rentang yang seharusnya. Keberadaan data seperti ini perlu diperiksa karena dapat menunjukkan adanya kesalahan dalam pencatatan data dan berpotensi memengaruhi hasil analisis. Oleh karena itu, pemeriksaan dilakukan dengan membandingkan nilai pada setiap variabel dengan rentang yang sesuai berdasarkan karakteristik variabel tersebut.

## [1] 150  -3

## [1] -10 125

## [1] 105  -5

## [1]  -2 150

## [1]  -8 120

## [1] 8 0

## [1] 30 -1

1. Membersihkan Duplikat

Langkah pertama dalam data wrangling adalah menghapus data duplikat identik. Data yang sama secara keseluruhan dapat menyebabkan satu mahasiswa terhitung lebih dari satu kali dan berpotensi memengaruhi hasil analisis.

Kemudian cek jumlah baris dan kolom :

## [1] 1201   15

Jadi setelah dibersihkan, tersisa 1.200 baris

2. Memperbaiki Kapitalisasi Kota Asal

Selanjutnya dilakukan perbaikan pada variabel Kota_Asal. Permasalahan yang ditemukan berupa penggunaan huruf besar dan kecil yang tidak konsisten. Perbedaan penulisan tersebut dapat menyebabkan kota yang sebenarnya sama terbaca sebagai kategori yang berbeda. Oleh karena itu, seluruh nama kota diseragamkan menggunakan format huruf kapital pada awal kata.

## [1] "Pekanbaru" "Dumai"     "Medan"     "Padang"    "Jambi"

3. Menyeragamkan Data Gender

Pada variabel Gender, ditemukan beberapa bentuk penulisan yang memiliki arti sama. Agar setiap kategori dapat dikenali secara konsisten dalam analisis, bentuk penulisan tersebut diseragamkan menjadi dua kategori, yaitu Laki-laki dan Perempuan.

Lalu cek :

## 
## Laki-laki Perempuan 
##       540       661

Hanya tersisa 2 penulisan gender, yaitu Laki-laki dan Perempuan

4. Menghapus Data Noisy

Setelah data duplikat dan inkonsistensi diperbaiki, tahap berikutnya adalah menangani data noisy. Nilai yang tidak valid atau berada di luar rentang yang seharusnya diubah menjadi NA. Dengan demikian, nilai tersebut tidak digunakan dalam analisis, tetapi baris data mahasiswa tetap dipertahankan.

5. Mengisi Nilai Kosong

Setelah data noisy diubah menjadi nilai kosong, tahap selanjutnya adalah menangani missing value. Pengisian dilakukan menggunakan nilai median pada masing-masing variabel numerik. Median digunakan sebagai nilai pengganti agar data yang kosong dapat terisi tanpa terlalu dipengaruhi oleh nilai ekstrem.

Lalu cek apakah masih ada NA :

##                   Umur               Semester Jam_Belajar_per_Minggu 
##                      0                      0                      0 
##       Kehadiran_Persen            Nilai_Tugas            Nilai_Ujian 
##                      0                      0                      0 
##            Nilai_Akhir  Jam_Internet_per_Hari     Jam_Tidur_per_Hari 
##                      0                      0                      0 
##        Kepuasan_Kuliah 
##                      0

1. Memeriksa tipe data

## tibble [1,201 × 3] (S3: tbl_df/tbl/data.frame)
##  $ Jam_Tidur_per_Hari    : num [1:1201] 4.9 7.7 5.6 7.5 6.3 6.3 7 7.1 6.1 5.5 ...
##  $ Jam_Internet_per_Hari : num [1:1201] 5.8 3.4 4.4 4.6 5.6 5.9 2.1 5.3 7.4 7.3 ...
##  $ Jam_Belajar_per_Minggu: num [1:1201] 3.6 13 13.3 11.8 13.8 20.1 7 14.4 10.4 21.4 ...

2. Memeriksa missing value

##     Jam_Tidur_per_Hari  Jam_Internet_per_Hari Jam_Belajar_per_Minggu 
##                      0                      0                      0

Setelah itu buat Model Regresinya

## 
## Call:
## lm(formula = Jam_Tidur_per_Hari ~ Jam_Internet_per_Hari + Jam_Belajar_per_Minggu, 
##     data = data_mahasiswa)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -5.7463 -0.6767 -0.0125  0.6579 13.2201 
## 
## Coefficients:
##                        Estimate Std. Error t value Pr(>|t|)    
## (Intercept)            6.478706   0.121952  53.125   <2e-16 ***
## Jam_Internet_per_Hari  0.011616   0.017825   0.652   0.5147    
## Jam_Belajar_per_Minggu 0.013893   0.006242   2.226   0.0262 *  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.078 on 1198 degrees of freedom
## Multiple R-squared:  0.004487,   Adjusted R-squared:  0.002825 
## F-statistic:   2.7 on 2 and 1198 DF,  p-value: 0.06764

1. Uji Normalitas

Uji normalitas dilakukan untuk mengetahui apakah residual pada model regresi berdistribusi normal. Pengujian dilakukan menggunakan uji Kolmogorov-Smirnov.

Hipotesis yang digunakan adalah:

• H₀: residual berdistribusi normal.
• H₁: residual tidak berdistribusi normal.

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  residu
## D = 0.03226, p-value = 0.1641
## alternative hypothesis: two-sided

2. Uji Heteroskedastisitas

## 
##  studentized Breusch-Pagan test
## 
## data:  model
## BP = 0.65795, df = 2, p-value = 0.7197

Integrasi Data 1

Integrasi data dilakukan dengan menggabungkan dua dataset yang memiliki variabel kunci yang sama, yaitu ID_Mahasiswa. Dataset pertama berisi informasi mengenai jam tidur, jam penggunaan internet, dan jam belajar per minggu. Dataset kedua berisi kategori belajar mahasiswa. Penggabungan dilakukan untuk memastikan data dari kedua dataset dapat dipasangkan dengan tepat dan menghasilkan dataset yang lebih lengkap untuk analisis.

• Data 1

• Data 2

Integrasi Data 2

Integrasi Data 2 dilakukan dengan menggabungkan data Jam_Internet_per_Hari dengan hasil encoding Jam_Belajar_per_Minggu. Penggabungan dilakukan menggunakan ID_Mahasiswa sebagai kunci utama agar hasil encoding dapat terhubung dengan mahasiswa yang sesuai. Dengan demikian, data hasil penggabungan dapat digunakan untuk analisis selanjutnya.

• Data 1

• Data 2

• Data Gabungan