Visualisasi Data: Contoh Dataset Untuk Skripsi Mahasiswa Prodi SI

Contoh dataset sederhana yang bisa digunakan untuk mahasiswa Program Studi Sistem Informasi (SI) dapat berupa data akademik mahasiswa. 

Apabila gambarnya kurang kelas, bisa di Zoom atau klik kanan open image, kemudian Zoom.

Nama-nama di atas hanya contoh, bukan nama sebenarnya. Jumlah mahasiswa juga biasanya lebih banyak lebih bagus untuk sebuah skripsi.

Berikut analisis keterkaitan berdasarkan dataset di atas:

1. Keterkaitan IPK dengan Jumlah Mata Kuliah Tidak Lulus

Dari data:

a. Mahasiswa dengan IPK tinggi (≥3.75) cenderung memiliki 0-1 mata kuliah tidak lulus.  

b. Mahasiswa dengan IPK sedang (3.20-3.45) memiliki 1-3 mata kuliah tidak lulus.  

c. Mahasiswa dengan IPK rendah (<3.0) cenderung memiliki lebih banyak mata kuliah tidak lulus (contoh: Eko Purwanto, IPK 2.95, 5 mata kuliah tidak lulus).  

Kesimpulan: Ada korelasi negatif antara jumlah mata kuliah tidak lulus dengan IPK. Semakin banyak mata kuliah tidak lulus, semakin rendah IPK mahasiswa.

---

2. Pengaruh Keaktifan di Organisasi terhadap IPK

Dari data:

a. Mahasiswa yang aktif di BEM atau Himpunan Mahasiswa memiliki IPK tinggi (contoh: Andi Wijaya, IPK 3.85, aktif di BEM).  

b. Mahasiswa tidak aktif cenderung memiliki IPK lebih rendah atau stagnan, tetapi ada pengecualian (contoh: Hasan Basri, tidak aktif, IPK 3.80).  

Kesimpulan: Keaktifan di organisasi mungkin berdampak positif pada IPK, tetapi ini tidak berlaku untuk semua mahasiswa (faktor lain seperti jumlah SKS mungkin lebih relevan).

---

3. Keterkaitan Jumlah SKS dengan Status Kelulusan

Dari data:

a. Mahasiswa yang telah mengambil 144 SKS semuanya memiliki status Lulus.  

b. Mahasiswa dengan SKS lebih sedikit (<120) masih memiliki status Belum Lulus.  

Kesimpulan: Jumlah SKS merupakan indikator penting dalam menentukan kelulusan mahasiswa.

---

4. Analisis Tambahan: Keterkaitan Mata Kuliah Tidak Lulus dengan Jumlah SKS

a. Mahasiswa dengan 0-1 mata kuliah tidak lulus rata-rata memiliki SKS tinggi (≥144), mendekati kelulusan.

b. Mahasiswa dengan 3 atau lebih mata kuliah tidak lulus cenderung memiliki SKS yang lebih sedikit, kemungkinan terhambat karena mengulang mata kuliah.

Kesimpulan: Jumlah mata kuliah tidak lulus berbanding terbalik dengan kemajuan jumlah SKS.

Berikut ini contoh code menggunakan Python untuk menampilkan grafik berdasarkan kasus di atas.

import matplotlib.pyplot as plt

# Dataset

data = {

    "Nama": ["Andi Wijaya", "Rina Susanti", "Budi Prasetyo", "Siti Aisyah", "Dimas Raharjo", 

             "Lina Marlina", "Eko Purwanto", "Tika Amalia", "Hasan Basri", "Rani Suryani"],

    "IPK": [3.85, 3.60, 3.45, 3.90, 3.75, 3.20, 2.95, 3.40, 3.80, 3.70],

    "Mata Kuliah Tidak Lulus": [0, 1, 2, 0, 1, 3, 5, 1, 0, 0],

    "Jumlah SKS": [90, 80, 120, 144, 144, 110, 144, 85, 144, 95],

    "Status Lulus": ["Belum", "Belum", "Belum", "Lulus", "Lulus", "Belum", "Lulus", "Belum", "Lulus", "Belum"],

    "Organisasi Aktif": ["BEM", "Himpunan Mahasiswa", "Tidak Aktif", "BEM", "Unit Kegiatan Mahasiswa", 

                         "Tidak Aktif", "Tidak Aktif", "Himpunan Mahasiswa", "BEM", "Tidak Aktif"]

}

# Scatter Plot: IPK vs Mata Kuliah Tidak Lulus

plt.figure(figsize=(10, 6))

plt.scatter(data["Mata Kuliah Tidak Lulus"], data["IPK"], color='blue', s=100, alpha=0.7)

# Add labels

for i, name in enumerate(data["Nama"]):

    plt.text(data["Mata Kuliah Tidak Lulus"][i] + 0.1, data["IPK"][i], name, fontsize=8)

# Plot configurations

plt.title("Keterkaitan IPK dengan Mata Kuliah Tidak Lulus", fontsize=14)

plt.xlabel("Jumlah Mata Kuliah Tidak Lulus", fontsize=12)

plt.ylabel("IPK", fontsize=12)

plt.grid(alpha=0.3)

plt.xticks(range(0, 6))

plt.yticks([2.5, 3.0, 3.5, 4.0])

# Show plot

plt.tight_layout()

plt.show()

Ini hasil tabelnya:

Berikut adalah visualisasi keterkaitan IPK dengan Jumlah Mata Kuliah Tidak Lulus. 

Analisis:

a. Titik data menunjukkan bahwa mahasiswa dengan lebih banyak mata kuliah tidak lulus cenderung memiliki IPK yang lebih rendah.

b. Mahasiswa tanpa mata kuliah tidak lulus (contoh: Siti Aisyah, Hasan Basri) cenderung memiliki IPK tinggi (≥3.8).

Apabila ingin menggunakan code/script di atas di laptop, silakan. Bila belum install editor khusus seperti VS Code, teman-teman bisa menggunakan Notepad bawaan Windows. Untuk menjalankannya bisa menggunakan CMD bawaan Windows pula.

Penjelasan visualisasi data di atas dapat dijadikan gambaran untuk mengisi Bab 4 Skripsi Sistem Informasi, yakni Bab Hasil dan Pembahasan.