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.
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
- Sebaran SDM (Dosen, Mahasiswa) secara Umum maupun Per Unit Kerja dengan berbagai katekori
- Capaian ( Performance berbagai Indikator Kinerja per Kelompok SDM dan Unit Kerja
- Hubungan antar Indikator dengan menggunakan berbagai visualisasi statistika
- Tampilan pada Dashboard bersifat fleksibel dan pengguna dapat memilih data, indikator, unit kerja dan jenis tampilan yang diinginkan
Unit Kerja, dan Indikator
INSTITUSI DALAM SAMPELNama 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:
- Format data SINTA untuk Dosen relatif kompleks, sulit diakses dan tidak lengkap,
- Data skor SINTA (All & 3_Yrs ) didapat, terbatas pada pada level fakultas (bukan dosen)
- Data AUM ada 2 macam (Mhs Umum dan Mhs sudah TA)
- 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 lainnyaDiagram 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 INDIKATORPenggabungan 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 terpilihPenggabungan 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 KLASTERISASISajian 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 VGLMEstimasi 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/MLRPLUSPrediksi 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)
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