Loading repository data…
Rendika7 / repository
This repository contains an end-to-end project for predicting student status using machine learning and data analytics. It includes a Looker Studio dashboard for business analytics, a machine learning model in Jupyter Notebook, and a Streamlit dashboard for deploying the model.
A transparent discovery signal based on current public GitHub metadata.
This score does not audit code, security, maintainers, documentation quality, or suitability. Verify the repository and its current documentation before adoption.
Jaya Jaya Institut adalah institusi pendidikan tinggi yang berdiri sejak tahun 2000, yang telah menghasilkan banyak lulusan berkualitas. Meskipun demikian, mereka menghadapi tantangan besar terkait tingginya angka dropout di kalangan mahasiswa. Hal ini tidak hanya memengaruhi reputasi institut tetapi juga kualitas pendidikan yang diberikan. Untuk mengatasi masalah ini, Jaya Jaya Institut ingin mengidentifikasi mahasiswa yang berisiko drop-out lebih awal, agar dapat diberikan dukungan atau intervensi yang lebih tepat dan terarah.
Seiring dengan meningkatnya persaingan dalam dunia pendidikan tinggi dan semakin kompleksnya kebutuhan mahasiswa, penting bagi Jaya Jaya Institut untuk mengadopsi teknologi berbasis data untuk membantu mengatasi masalah ini. Dengan menggunakan analitik dan machine learning, institut ini berharap dapat mengidentifikasi mahasiswa yang berisiko drop-out lebih dini dan memberikan bimbingan yang diperlukan agar mereka dapat menyelesaikan studi mereka dengan sukses.
Tingginya Angka Dropout
Jaya Jaya Institut menghadapi tantangan dengan tingginya angka mahasiswa yang keluar sebelum lulus, yang berdampak pada reputasi dan tingkat kelulusan.
Kesulitan Mengidentifikasi Mahasiswa Berisiko Dropout
Pihak institut kesulitan mendeteksi mahasiswa yang berisiko dropout secara dini, sehingga tidak dapat memberikan intervensi tepat waktu.
Kurangnya Sistem Dukungan yang Efisien
Tidak ada sistem berbasis data yang memungkinkan pemberian dukungan atau intervensi secara terarah dan cepat untuk mahasiswa yang membutuhkan.
Pemanfaatan Data yang Terbatas
Data yang ada belum dimanfaatkan secara maksimal untuk memprediksi dan mencegah risiko dropout, sehingga keputusan terkait kebijakan dan intervensi kurang berbasis data.
Dashboard Analitik: Membuat dashboard analitik untuk memvisualisasikan performa mahasiswa dan mendeteksi pola yang bisa menunjukkan potensi risiko drop-out. Dashboard ini memberikan insight tentang statistik performa mahasiswa, seperti tingkat kelulusan, kehadiran, dan nilai mata kuliah.
Model Machine Learning: Mengembangkan model machine learning untuk memprediksi status mahasiswa (Dropout, Graduate, Enrolled) berdasarkan data yang ada. Model ini menggunakan berbagai algoritma untuk memaksimalkan akurasi prediksi, membantu pihak manajemen dalam membuat keputusan terkait intervensi.
: Membangun aplikasi berbasis Streamlit yang memungkinkan pihak manajemen dan dosen untuk memasukkan data mahasiswa secara langsung dan mendapatkan prediksi status mahasiswa serta informasi performa secara keseluruhan. Aplikasi ini mempermudah pengguna untuk mengakses model dan insight yang telah dikembangkan.
Selected from shared topics, language and repository description—not editorial ratings.
milaan9 /
This repository contains Python games that I've worked on. You'll learn how to create python games with AI. I try to focus on creating board games without GUI in Jupyter-notebook.
81/100 healthjanblechschmidt /
This repository contains a number of Jupyter Notebooks illustrating different approaches to solve partial differential equations by means of neural networks using TensorFlow.
80/100 healthintegrativebioinformatics /
Rekomendasi untuk Intervensi, Kebijakan, dan Action Items: Berdasarkan hasil analisis dan model prediksi, diberikan rekomendasi tindakan untuk intervensi yang tepat bagi mahasiswa berisiko dropout, seperti meningkatkan program bimbingan atau mentoring. Selain itu, disarankan kebijakan untuk meningkatkan tingkat kelulusan dan kepuasan mahasiswa dengan memanfaatkan data untuk membuat keputusan kebijakan yang lebih tepat dan terarah.
Sumber Data
Data yang digunakan dalam proyek ini dapat diakses melalui link berikut
Berikut adalah langkah-langkah untuk menyiapkan environment dan menjalankan Streamlit dashboard serta membuka Looker Studio Dashboard:
Pertama, buat environment baru menggunakan Conda:
conda create --name streamlit-venv python=3.10
Aktifkan environment yang telah dibuat:
conda activate streamlit-venv
requirements.txtSetelah environment aktif, pastikan Anda memiliki file requirements.txt yang berisi daftar library yang dibutuhkan untuk proyek ini. Jika belum ada, buat file requirements.txt dan masukkan dependensi yang dibutuhkan. Contoh requirements.txt harus berisi:
streamlit
pandas
scikit-learn
matplotlib
numpy
joblib
Untuk menginstall dependencies dari file requirements.txt, jalankan:
pip install -r requirements.txt
Setelah semua dependensi terinstall, jalankan Streamlit dashboard dengan perintah:
streamlit run nama_file_dashboard.py
Gantilah nama_file_dashboard.py dengan nama file Python yang berisi Streamlit dashboard Anda.
Setelah perintah dijalankan, Streamlit akan memberikan URL (biasanya http://localhost:8501) di mana Anda bisa melihat dashboard tersebut di browser.
Tentu! Berikut adalah penjelasan yang lebih lengkap:
Untuk melihat Looker Studio Dashboard, Anda perlu melakukan langkah-langkah berikut:
Login dengan Akun Google
Pastikan Anda sudah login ke akun Google Anda. Jika belum, login terlebih dahulu menggunakan akun Google yang valid.
Akses Dashboard
Setelah login, buka Tautan ini. di browser Anda. Anda akan diarahkan ke dashboard yang telah dibuat dan dapat melihatnya secara langsung.
Dengan langkah-langkah ini, Anda dapat mengatur lingkungan kerja, menjalankan aplikasi Streamlit, dan membuka Looker Studio dashboard dengan mudah.
Student Performance Analytics Dashboard menyediakan wawasan utama tentang data mahasiswa, termasuk tren enrollment, dropout, dan graduation. Dashboard ini mendukung pemangku kepentingan dalam mengambil keputusan berbasis data. Kamu dapat mengaksesnya di sini: Looker Studio Dashboard.
Dashboard ini memiliki dua filter utama: Status, yang memungkinkan pemfilteran mahasiswa berdasarkan kategori seperti Enrolled (794 mahasiswa), Dropout (1.420 mahasiswa), dan Graduate (2.210 mahasiswa); serta Marital Status, yang mengelompokkan mahasiswa berdasarkan status pernikahan mereka.
Dashboard ini menampilkan beberapa metrik utama: Total Students sebanyak 4,42K, Total Courses sebanyak 17, Nationalities Represented sebanyak 21, Average Unemployment Rate sebesar 11,57%, dan Average Age sebesar 23,27 tahun.
Perbandingan Status Siswa Berdasarkan Course: Jumlah lulusan tertinggi berasal dari Nursing (548 mahasiswa), diikuti oleh Social Services (248 mahasiswa). Jumlah mahasiswa dropout cukup tinggi di Management Evening (136), Nursing (118), dan Journalism (101). Mahasiswa enrolled paling banyak terdapat di Management (108) dan Nursing (100).
Presentasi Gender Berdasarkan Status: Dari total lulusan, 75,19% adalah perempuan dan 24,81% laki-laki, menunjukkan tingkat keberhasilan yang lebih tinggi pada mahasiswa perempuan. Pada kategori dropout, distribusi gender hampir seimbang, yaitu 50,67% perempuan dan 49,33% laki-laki. Untuk mahasiswa yang masih enrolled, 61,34% adalah perempuan, sementara 38,66% laki-laki.
Siswa Berdasarkan Gender: Terdapat 2.868 mahasiswa perempuan dan 1.556 mahasiswa laki-laki, yang menunjukkan tingkat enrollment perempuan lebih tinggi di institusi ini.
Siswa Berdasarkan Marital Status: Mayoritas mahasiswa berstatus single (3,9K mahasiswa, sekitar 88%), sementara mahasiswa menikah berjumlah 379. Kategori lainnya meliputi divorced (91), legally separated (25), dan widowed (4).
Nilai Semester 1 dan 2 Non/Beasiswa: Mahasiswa tanpa beasiswa memiliki curricular units lebih tinggi di semester 1 (33,8K) dan semester 2 (32,2K) dibandingkan mahasiswa dengan beasiswa (13,3K di semester 1 dan 13K di semester 2). Hal ini menunjukkan bahwa mahasiswa non-beasiswa cenderung mengambil lebih banyak kredit akademik.
Jumlah Siswa Berdasarkan Umur: Enrollment tertinggi terjadi pada usia 18 tahun (1.036 mahasiswa) dan 19 tahun (911 mahasiswa). Jumlah mahasiswa menurun tajam setelah usia 21 tahun, dengan kurang dari 100 mahasiswa per kelompok usia di atas 25 tahun. Mahasiswa tertua yang terdaftar berusia 48 tahun, namun jumlahnya sangat kecil.
Dashboard ini memberikan wawasan yang dapat ditindaklanjuti mengenai performa mahasiswa, menyoroti tren enrollment, tingkat dropout, dan pencapaian akademik. Temuan utama meliputi tingginya tingkat dropout pada beberapa course seperti Management Evening (136) dan Nursing (118), dominan mahasiswa perempuan (64,8% dari total), dan mayoritas mahasiswa berusia muda, dengan 84% berusia 18-21 tahun. Institusi dapat menggunakan data ini untuk meningkatkan strategi retensi, memperkuat dukungan akademik bagi course dengan risiko tinggi, serta mengeksplorasi preferensi pendidikan berdasarkan gender.
Langkah-langkah untuk menjalankan sistem machine learning melalui dashboard Streamlit adalah sebagai berikut:
Buka Streamlit Dashboard
Akses dashboard melalui link berikut: Example Streamlit. Tunggu beberapa saat hingga halaman sepenuhnya ter-load.
Navigasi Menu
Setelah halaman ter-load, perhatikan berbagai menu yang ada. Pada sidebar, kamu dapat membaca informasi tentang diri saya serta penjelasan mengenai dashboard.
Di halaman utama, terdapat 3 menu utama yang bisa dipilih:
Download Data
Jika kamu belum memiliki data untuk diprediksi, pergi ke menu 📃 Download Data untuk mengunduh data yang dibutuhkan.
Predict Data
Setelah mengunduh data, atau jika sudah memiliki data, pergi ke menu 🔎 Predict Data. Pilih model yang sesuai dengan kebutuhanmu dengan memperhatikan detail model yang tersedia.
Upload Data untuk Prediksi
Setelah memilih model, unggah data yang telah diunduh atau data yang sudah kamu miliki ke dalam file uploader yang tersedia. Sistem akan secara otomatis memproses dan memprediksi data tersebut.
Download Dataset Hasil Prediksi
Setelah proses prediksi selesai, kamu dapat mengunduh dataset hasil prediksi yang telah diolah oleh sistem.
Dengan mengikuti langkah-langkah di atas, kamu bisa dengan mudah memanfaatkan sistem machine learning yang tersedia pada dashboard Streamlit untuk melakukan prediksi data.
Proyek ini bertujuan untuk mengatasi permasalahan tingginya angka dropout di Jaya Jaya Institut dengan pendekatan berbasis data. Melalui kombinasi dashboard analitik, model machine learning, dan aplikasi Streamlit, institusi kini memiliki alat yang lebih canggih dan akurat untuk mengidentifikasi mahasiswa berisiko dropout serta menerapkan intervensi yang tepat waktu.
Berdasarkan hasil analisis data dan implementasi model prediktif, ditemukan beberapa temuan penting:
This repository contains scNotebooks, a collection of interactive Jupyter and Google Colab notebooks designed to teach and practice single‑cell and spatial transcriptomics. The notebooks guide learners through the complete workflow from introductory steps and single‑cell pipelines to diverse analytical approaches, and FAIR and sharing data
dipanjanS /
This repository will contain the presentation and python jupyter notebooks for the DataHack Summit 2024 conference talk, Improving Real-world Retrieval Augmented Generation Systems, focusing on the key challenges and practical solutions of how to solve them
69/100 healthlaxmimerit /
This repository contains implementations of Retrieval-Augmented Generation (RAG) in Jupyter notebooks. It includes examples of building chatbots with and without history, processing PDFs with RAG, and using DeepSeek models for local RAG and financial document analysis.
62/100 healthStephanRhode /
This repository contains jupyter notebooks and python code for KIT course: Python Algorithms for Automotive Engineering
58/100 health