Analisis data untuk mengetahui hubungan antara IPK dan hasil TPA+

Abstract

Prestasi akademik merupakan sebuah bukti keberhasilan proses studi seseorang. Keberhasilan studi mahasiswa pada tahap sarjana dapat diukur dari indeks prestasi kumulatif atau IPK. IPK juga bisa menjadi indikator yang digunakan untuk menilai mutu dari suatu program studi. Maka dari itu analisis terhadap variabel yang dapat mempengaruhi IPK merupakan hal yang penting untuk dilakukan. Ada banyak variabel yang dapat mempengaruhi keberhasilan studi mahasiswa, misalnya kemampuan akademik dan minat terhadap prodi yang dituju. Pada skripsi ini akan dianalisis hubungan antara nilai IPK dan nilai TPA+. TPA+ adalah salah satu bentuk tes psikologi yang digunakan untuk mengukur kecerdasan intelektual seseorang. TPA+ banyak digunakan dalam berbagai bidang, misalnya proses rekrutmen kerja dan proses seleksi masuk perguruan tinggi. Dalam kasus ini FTIS dan LPH UNPAR mengadakan kegiatan TPA+ untuk, mengetahui potensi akademik mahasiswa. Hasil pengukuran dari TPA+ merupakan bilangan atau skor. Hubungan antara nilai TPA+ dan nilai IPK dapat diketahui dengan melakukan klasifikasi, lalu di uji keakuratannya. Data akan dikategorikan menjadi 3 kategori berdasarkan IPK, kategori 1 jika IPK mahasiswa kurang dari 2, Kategori 2 jika IPK lebih dari sama dengan 2 dan kurang dari 3, kategori 3 jika IPK mahasiswa lebih dari 3. Classification atau klasifikasi adalah sebuah proses untuk mengkategorikan sebuah kumpulan data ke kelasnya atau biasanya disebut target, label atau categories. classification memiliki dua langkah. Pertama adalah learning step dimana algoritma akan membuat sebuah model klasifikasi dengan menganalisis set pelatihan atau training set yang terdiri dari kumpulan data dan label kelas yang terkait. Kemudian classification step di mana model klasifikasi digunakan untuk memprediksi label kelas untuk data yang baru. Klasifikasi dilakukan dengan algoritma K-nearest neighbor atau KNN. Algoritma KNN merupakan algoritma klasifikasi yang mengklasifikasikan data berdasarkan mayoritas dari kategori k−tetangga terdekat. Kemudian akan dibuat juga sebuah perangkat lunak untuk memprediksi kategori IPK berdasarkan nilai TPA+. Pengguna akan memasukkan nilai-nilai TPA+ untuk kemudian diprediksi oleh perangkat lunak, atau pengguna bisa memasukkan sebuah file yang berisi beberapa nilai TPA+ untuk kemudian diprediksi oleh perangkat lunak. Hasilnya disimpan dalam file .xslx Berdasarkan pengujian, terdapat keterikatan antara nilai TPA+ dan IPK, namun keterikatan tersebut bukan ikatan yang kuat karena akurasi yang didapat tidak melebihi 0.7. Perangkat lunak juga bisa melakukan prediksi dengan keakuratan 0.66