PROFIL KUANTITATIF UNIVERSITAS JEMBER
(FLEXIBLE COMPUTING DASHBOARD OF UNEJ)

Prakata

Ini adalah DASHBOARD UNEJ terkait Penambangan, Eksplorasi, Visualisasi dan Analiss Data ( MINING, EXPLORING, VISUALIZING, & ANALISING DATA ) dari Data UNEJ yang bersifat fleksibel dan merupakan Computing Dashboard.Ini berarti, pengguna dapat mengatur sendiri bagian data dan visualisasi yang diinginkan. Tujuan utama pembuatan dashboard ini adalah untuk memberikan akses yang mudah kepada Manajemen UNEJ dalam memanfaatkan data sebagai penunjang PENGAMBILAN KEBIJAKAN BERBASIS DATA. Bagian depan ini berisi informasi umum serta ringkasan beberapa tampilan yang bisa dikerjakan. Hasil yang lebih detail sesuai keperluan, bisa dilakukan pada bagian menu berikutnya. Struktur kerja atau eksplorasi sama sedangkan hasil tampilan dan opsi bisa berubah tergantung data yang disediakan.


Tampilan dari Dashboard ini sangat adaptif terhadap perubahan data yang tersedia. Dalam keterbatasannya, semoga bisa memberi manfaat sesuai yang diharapkan.

Tim

INFORMASI UMUM

Pentingnya menggali Pengetahuan dan Kebijaksanaan ( Knowledge & Wisdom) sebagai Pendukung Kebijakan

Di era digital sekarang ini informasi berupa data sebenarnya sangat banyak disimpan dalam bentuk elektronik dengan berbagai format, tidak terkecuali data tentang berbagai bentuk produk dan kinerja UNEJ. Informasi yang tersimpan berupa data jika digali dan diolah serta dimaknai dengan benar, akan menjadi pengetahuan, bahkan wisdom yang selain bermanfaat memberikan potret tentang istitusi juga bisa menjadi pijakan dalam merumuskan kebijakan yang tepat selain mengikuti visi dan misi juga sesuai kondisi yang ada. Sebaliknya, informasi yang tidak tersimpan dengan baik, akan susah digali, diolah maupun dimaknai. Dengan demikian, data tersebut juga tidak bermanfaat untuk memotret kondisi kekinian, begitu juga tidak bermanfaat sebagai pijakan untuk merumuskan kebijakan yang sesuai dan yang secara efektif meningkatkan kinerja institusi.

Dalam Dashboard ini diuraikan secara umum maupun detail informasi terkait

  1. Sebaran SDM (Dosen, Mahasiswa) secara Umum maupun Per Unit Kerja dengan berbagai katekori
  2. Capaian ( Performance berbagai Indikator Kinerja per Kelompok SDM dan Unit Kerja
  3. Hubungan antar Indikator dengan menggunakan berbagai visualisasi statistika
  4. Tampilan pada Dashboard bersifat fleksibel dan pengguna dapat memilih data, indikator, unit kerja dan jenis tampilan yang diinginkan

Unit Kerja, dan Indikator

INSTITUSI DALAM SAMPEL

Nama Fakultas


                    

Nama Variabel/ Fitur


(Yang bisa diolah Setelah Proses Pembersihan Data)

Nama Variabel (Identitas dan Indikator) yang ada


Nama variabel terkait Dosen

                    Nama variabel terkait Mahasiswa TA
                    

                    Nama variabel terkait Unit Kerja (Gabungan Dosen dan Mahasiswa)
                    

                    
JUMLAH SAMPEL
Jumlah Dosen -[MKU,LB]

                    Jumlah Dosen (Data lengkap)
                    

                    Jumlah Mahasiswa (S0, S1)
                    

                    Jumlah Mahasiswa sudah TA
                    

                    
CATATAN HAMBATAN DATA:
  1. Format data SINTA untuk Dosen relatif kompleks, sulit diakses dan tidak lengkap,
  2. Data skor SINTA (All & 3_Yrs ) didapat, terbatas pada pada level fakultas (bukan dosen)
  3. Data AUM ada 2 macam (Mhs Umum dan Mhs sudah TA)
  4. Profil Unit Kerja dihitung dari gabungan rata-rata profil Dosen dan profil mahasiswa di unit kerja bersangkutan.
Nama Program Studi (asal sampel)

                  
Variabel KInerja Dosen 19-20

PROFIL KUANTITATIF UNIVERSITAS JEMBER

Sebaran SDM (SAMPEL)

Sebaran Dosen Universitas

Berikut adalah informasi terkait sebaran dosen di tingkat universitas maupun di fakultas tertentu, khusus dilihat dari tingkat jabatan fungsional. Sebaran dosen di tingkat universitas maupun unit kerja (fakultas/ prodi) dengan berbagai kriteria dapat dilakukan lebih detal pada Menu EKSPLORASI SDM
Sajian Grafik Batang
Sajian Grafik Batang
Sajian Tabel

                    

Sebaran Dosen Tingkat Fakultas/ Jurusan Tertentu

Silakan pilih Unit kerja yang ingin dieksporasi
Sajian Tabel Sebaran Dosen Fakultas Terpilih

                  

Sebaran Mahasiswa Universitas

Sajian Grafik Batang
Sajian Tabel

                  

Sebaran Mahasiswa Tingkat Fakultas/ Jurusan Tertentu

Silakan pilih Unit Kerja yang ingin dieksplorasi
Sajian Tabel Sebaran Dosen Fakultas Terpilih

                  

Pemetaan Kinerja Dosen Tingkat Universitas

Pada bagian ini kita bisa melakukakan pemetaan kinerja tingkat universitas, hubungan antar kinerja dan lainnya

Diagram Pencar Indikator

Korelasi Antar Indikator per Kelompok

Korelasi Gabungan Seluruh Kelompok


                  

Pemetaan Kinerja Fakultas

Kinerja Fakultas diperoleh dengan menggabungan Kinerja Dosen dari Fakultas bersangkutan. Cara penggabungan bisa dengan mean, median atau nilai maksimum dari Indikator Kinerja yang dipilih. Makin banyak Indikator Kinerja penting yang dipilih, tentu makin reresentatif kinerja Fakultasnya. Eksplorasi lebih detail dan presentasi lebih bervariasi dapat dilakukan melalui menu CAPAIAN INDIKATOR

Penggabungan Kinerja Dosen Fakultas

Sajian Data Gabungan Kinerja Indikator Fakultas

Berikut adalah Data Kinerja Fakultas berdasarkan Gabungan Kinerja Dosen

Plot Radar

Plot Radar dapat menggambarkan posisi relatif setia unit kerja dengan unit kerja lainnya pada beberapa Indikator Kinerja yang terpilih
Penggabungan kinerja dosen dapat dilakukan dengan menggunakan mean, median atau maksimum yang bisa dipilih pada opsi di sebelah kanan. Namun, untuk PA penggabungan harus dengan Mean.

Kinerja Indikator Mahasiswa

Input Tiga (3) Indikator
Input Kelompok
Diagram Pencar Indikator Mahasiswa
Korelasi antar Indikator Mahasiswa

Kinerja Gabungan Dosen Mahasiswa Dalam Prodi/ Fakultas

Sajian Dendrogram Klaster dan PCA

Jika indikator yang terpilih cukup representatif (untuk PCA dan KLASTER disarankan menggunakan SEBANYAK-BANYAKNYA INDIKATOR untuk SEMUA FAKULTAS), maka posisi fakultas dapat di klaster (dikelompokkan) berdasarkan kemiripan antara satu fakultas dengan lainnya Selain mengelompokkan fakultas berdasarkan kemiripannya, dapat juga melakukan eksplorasi lebih jauh, 'kekuatan/ kelemahan' masing-masing klaster atau individu fakultas. Vektor menunjukkan kekuatan indikator bersangkutan, arahnya menunjukkan kuat/ lemahnya korelasi antar indikator. Posisi fakultas akan berada pada posisi yang menunjukkan kekuatan/kelemahannya pada indikator yang dipilih. Eksplorasi klaster dan PCA lebih jauh bisa dilakukan melalui Menu KLASTERISASI

Sajian dengan Dendrogram

Sajian BiPlot Klaster-PCA

Sajian Data Kinerja Fakultas

Kinerja Dosen dan Mahasiwa berdasarkan unit Kerja

Korelasi Umum Antar Kinerja

Korelasi Umum Antar Unit Kerja

Hubungan Kausal Berbasis Dosen dan Mahasiswa Fakultas

PA Dosen dan Mahasiswa

SEM Dosen dan Mahasiswa

INPUT DATA


Input : Pilih data format CSV
Luaran: (i) Ringkasan & struktur data, (ii) histogram dan diagram pencar variabel

Read Data

Baca Data

Aktifkan data terlebih dahulu ...

Lokasi File

Informasi lokasi file

Summary Data

Ringkasan Data


                  

Struktur Data


                  

Plot Data

Plot Control

Kontrol Histogram

Kontrol Scatter-Plot

Plot Displays

Histogram Respon (1 Var)

Pilih dari nama-nama variabel di bawah

Plot XY (minimal 2 var. numerik)

Pilih dari nama-nama variabel di bawah

SEBARAN DOSEN

Sebaran Dosen Universitas

Kategori I
Kategori II
Sajian Grafik Batang
Sajian Tabel

                  

Sebaran Dosen Unit Kerja

Pilih Level Unit Kerja
Pilih Nama Unit Kerja
Pilih Level/ Kategori/ Sub Kelompok yang ada pada Unit Kerja
Sajian Grafik
Sajian Tabel

                  

SEBARAN MAHASISWA

Sebaran Mahasiswa Universitas (SAMPEL)


                  

Sebaran Mahasiswa Unit Kerja (SAMPEL)

Pilih Level Unit Kerja
Pilih Nama Unit Kerja
Pilih Level/ Kategori/ Sub Kelompok yang ada pada Unit Kerja
Sajian Grafik
Sajian Tabel

                  

Pra Proses Data

Pra Proses Data

Kontrol H1

Kontrol H2

CAPAIAN INDIKATOR DOSEN

Sebaran Kinerja Institusi

Indikator Y (respon)
Tingkat Unit Kerja/ Kelompok I
Tingkat Unit Kerja/ Kelompok II
Densitas Respon/ Kelompok
Ringkasan Tabel Sub-Unit/ KelompokII
Sebaran per Unit Kerja
Ringkasan Tabel Mean dan SD Kinerja

                  

Kinerja Unit Kerja (Melanjutkan pilihan sebelumnya)

Nama Unit Kerja/ Kelompok
Plot Boxplot
Sub-Unit/ Kelompok II

                  

Korelasi Antar Kinerja (Melanjutkan pilihan di atas)

Pilihan Prediktor (Indikator terkait)
Diagram Pencar
Variabel untuk bobot buble
Plot Korelasi

CAPAIAN INDIKATOR MAHASISWA

Sebaran Kinerja Mahasiswa

Indikator Respon
Unit Kerja Level I
Unit Kerja Level II/ Kelompok
Densitas Respon Y
Box-Plot Kinerja

Kinerja Unit Kerja (Melanjutkan pilihan sebelumnya)

Nama Unit Kerja/ Kelompok
Plot Boxplot
Unit Kerja Level II/ Kelompok
Ringkasan Capaian

                  

Hubungan Antar Kinerja Mahasiswa

Prediktor
Diagram Pencar
Indikator bobot
Plot Korelasi

KLASTER UNIT KERJA DAN KARAKTERISTIKNYA

Pengaturan Klaster

Klaster Fakultas Berdasarkan Kinerja Dosen

Validitas Internal

                  
Validitas Stabilitas

                  

Klaster Fakultas Berdasarkan Kinerja Mahasiswa

Validitas Internal

                  
Validitas Stabilitas

                  

KLaster Fakultas Berdasarkan GABUNGAN Kinerja Dosen dan Mahasiswa

Validitas Internal

                  
Validitas Internal

                  


HUBUNGAN JALUR

Korelasi Antar Indikator
Korelasi antar Unit Kerja
Nama Variabel

                  
Input Formula PA

                    
                  
		Klasifikasi AUM
		D (keadaan diri pribadi)
		L (lingkungan belajar dan sosio emosional)
		P (Prasyarat penguasaan materi pelajaran)
		S (sarana belajar)
		T (keterampilan belajar)
		
Ringkasan Luaran Analisis Jalur

                  

STRUKTURAL KINERJA MAHASISWA

SEM Kinerja Mahasiswa

                    Input Formula SEM
                    

                    
                    Plot SEM
                    
Luaran SEM

                  

REGRESI* (Limitted Access)

Bagian ini merupakan kajian yang lebih mendalam (menggunakan Metode STATISTIKA LANJUT) terkait faktor-faktor dominan yang mempengaruhi OUTPUT/ OUTCOME Institusi seperti masa studi, IPK, Masa Penulisan TA, Daya Serap (untuk Mahasiswa), maupun jumlah publikasi (untuk Dosen). Analisis Regresi yang lebih detail secara langsung dapat dilakukan melalui laman http://statslab-rshiny.fmipa.unej.ac.id/RProg/MSI untuk GAMLSS dan http://statslab-rshiny.fmipa.unej.ac.id/RProg/MSD untuk VGLM

Estimasi Kinenerja Fakultas (Gabungan Dosen dan Mahasiswa) dengan GAMLSS dan VGLM

Pengaturan Input Regresi
Asumsi Sebaran Y GAMLSS
Input Respon VGLM (boleh lebih dari satu)
Asumsi Sebaran Y VGLM
CONTOH LUARAN REGRESI RMSE GAMLSS:

                    Grafik Sebaran Respon
                    

Mean Y (sebaran Normal)

                  
Koefisien GAMLSS:

                  
Koefisien VGLM

                  

MACHINE LEARNING (ML)

Bagian ini merupakan kajian yang lebih mendalam (menggunakan Metode MACHINE LEARNING) terkait faktor-faktor dominan yang mempengaruhi OUTPUT/ OUTCOME Institusi seperti masa studi, IPK, Masa Penulisan TA, Daya Serap (untuk Mahasiswa), maupun jumlah publikasi (untuk Dosen). Prediksi dengan ML dapat dilakukan langsung melalui laman http://statslab-rshiny.fmipa.unej.ac.id/RProg/MLRPLUS

Prediksi Kinerja Indikator Gabungan Dosen dan Mahasiswa dengan ML

Algoritma yang dipilih
Pengukuran luaran
Luaran Hasil

                  
Variabel Importan
Luaran Model Tunggal Random Forest untuk Masa.TA
    	  PILIHAN: 
	Data	: Excel 
	method	: boot 
	n-Fold	: 10 
	search	: grid 
	Target	: M.Masa_TA 
	Predtr	: D.Q12 D.Q34 D.WOS D.GS D.S12 D.ST3 D.Buku_Tex D.HAKI 
			D.DiMas D.Hibah D.SintaS3Y D.Sinta_T M.SKS_MBKM AM.Kemauan 
			AM.Kecepatan AM.Kualitas AM.Perhatian AM.Sarpras AUM.P1 
			AUM.P2 AUM.P3 AUM.P4 AUM.P5 AUM.D1 AUM.D2 AUM.D3 AUM.D4 
			AUM.D5 AUM.L1 AUM.L2 AUM.L3 AUM.L4 AUM.L5 AUM.L6 AUM.L7 
			AUM.S1 AUM.S2 AUM.S3 AUM.S4 AUM.T1 AUM.T2 AUM.T3 
			AUM.T4 AUM.T5 AUM.T6 D.EDOM 
	method	: rf 
	metrik	: RMSE 
	sum.F	: postResample 

	    mtry   RMSE   Rsquared      MAE    RMSESD RsquaredSD     MAESD
	1    2 2.552625 0.06628176 1.925938 0.3336440 0.06798415 0.2990520
	2   24 2.658503 0.04805096 2.019333 0.2854793 0.05272057 0.3098561
	3   46 2.761333 0.03988408 2.107095 0.3169388 0.04280607 0.3484850
Kepentingan Variabel MOdel Tunggal untuk Masa.TA
	 RF (Tunggal)
	  rf variable importance

  only 20 most important variables shown (out of 46)

				Overall
	AM.Perhatian  100.00
	AUM.T3         88.67
	AM.Sarpras     85.89
	D.SintaS3Y     83.04
	AUM.L5         82.08
	D.Hibah        76.62
	AUM.P5         76.17
	AUM.D2         74.00
	D.GS           70.17
	AUM.D3         69.78
	AM.Kemauan     69.40
	AUM.P3         68.80
	AUM.L3         65.90
	AM.Kecepatan   65.82
	AUM.D1         65.24
	AUM.L4         61.74
	AUM.L1         61.73
	AUM.T6         60.87
	AUM.L2         57.52
	AUM.T1         57.11
	  
Model Ganda (Perbandingan hasil beberapa Algoritma) Untuk Masa.TA
	  
	Algoritma/ Model yang dicoba: rf svmLinear2 earth glmboost svmPoly 

	Call:
	summary.resamples(object = resamples(TrainingModelM()))

	Models: rf, svmLinear2, earth, glmboost, svmPoly 
	Number of resamples: 10 

	RMSE 
			   Min.  1st Qu.   Median     Mean  3rd Qu.     Max. NA's
	rf         2.138463 2.382751 2.482631 2.566581 2.816377 3.007748    0
	svmLinear2 3.970130 4.267127 4.382380 4.575973 4.910077 5.301503    0
	earth      2.259171 2.510986 2.959989 3.322111 3.351008 6.369829    0
	glmboost   2.452658 2.578812 2.890740 2.847371 3.005663 3.367130    0
	svmPoly    2.153995 2.445144 2.563094 2.586496 2.809871 2.917308    0

	Rsquared 
                   Min.     1st Qu.      Median       Mean    3rd Qu.
	rf         8.511279e-03 0.031577601 0.063081835 0.07844558 0.09163479
	svmLinear2 5.671787e-04 0.007154431 0.019384474 0.04326184 0.06652144
	earth      5.265832e-04 0.016377876 0.040508860 0.07114759 0.13321544
	glmboost   5.230136e-04 0.004653528 0.007612267 0.01994203 0.01670157
	svmPoly    5.289841e-05 0.007307083 0.010943923 0.01762166 0.02393551
                 Max. NA's
	rf         0.23595428    0
	svmLinear2 0.16610593    0
	earth      0.18221837    1
	glmboost   0.09158131    0
	svmPoly    0.06547368    0

INTERPRETASI & ANALISIS LUARAN ML

Bagian ini merupakan kajian yang lebih mendalam (menggunakan Metode MACHINE LEARNING) terkait faktor-faktor dominan yang mempengaruhi OUTPUT/ OUTCOME Institusi seperti masa studi, IPK, Masa Penulisan TA, Daya Serap (untuk Mahasiswa), maupun jumlah publikasi (untuk Dosen). ML secara umum menghasilkan prediksi yang lebih akurat dibanding regresi tradisional, namun interpretasinya yang tidak mudah sehingga sering diitilahkan sebagai BLACK BOX. Pada bagian ini hasil luaran ML dicoba diilustrasikan secara lebih detail sehingga lebih mudah dimaknai.

Prediksi Kategori Masa Studi

Sebaran Fitur dengan Kategori Masa.Studi, menggambarkan kategori yang ada dan variabel prediktor
Sebaran Fitur dengan Kategori Masa.Studi, menggambarkan variabel prediktor dan urutan kontribusinya
Kepentingan Variabel Model Tunggal dan Interaksi untuk Masa.Studi dengan menggunakan algoritma RF
Akurasi prediksi dengan Random Forest (Tinggi rendahnya juga bergantung pada kondisi data)

Interaksi

	  
Confusion Matrix and Statistics

          Reference
Prediction Cepat Lambat Normal
    Cepat    133     27     55
    Lambat    14     18     23
    Normal    42     33     54

Overall Statistics
                                          
               Accuracy : 0.5138          
                 95% CI : (0.4635, 0.5638)
    No Information Rate : 0.4737          
    P-Value [Acc > NIR] : 0.06017         
                                          
                  Kappa : 0.204           
                                          
 Mcnemar's Test P-Value : 0.05383         

Statistics by Class:

                     Class: Cepat Class: Lambat Class: Normal
Sensitivity                0.7037       0.23077        0.4091
Specificity                0.6095       0.88474        0.7191
Pos Pred Value             0.6186       0.32727        0.4186
Neg Pred Value             0.6957       0.82558        0.7111
Prevalence                 0.4737       0.19549        0.3308
Detection Rate             0.3333       0.04511        0.1353
Detection Prevalence       0.5388       0.13784        0.3233
Balanced Accuracy          0.6566       0.55775        0.5641

Komparasi Kasus Khusus dengan Metode LIME
Membandingkan posisi beberapa individu terhadap target dan prediktornya
Kontribusi Fitur dengan metode SHAPLEY
	                       contribution
(Intercept)                   0.000
+ IPK = 3.05                  0.304
+ SKSMBKM = 0                 0.039
+ JalurMasuk = SBMPTBR        0.000
+ Masa.Studi = 53.2           0.000
+ Masa.TA = 17.61             0.000
+ M.Teori = 35.59             0.000
+ Kat.MSt = Normal            0.000
+ Kat.IPK = Sedang            0.000
+ AUM = 60                   -0.176
final_prognosis               0.167
baseline:  0.1814104