Berikut silabusi “Analisis Regresi Multivariat untuk Memprediksi Kinerja Akademik Mahasiswa Menggunakan R Studio”:
Sesi 1: Pengenalan R Studio
- Pengenalan R dan R Studio.
- Instalasi dan konfigurasi R Studio.
- Struktur dasar R: variabel, vektor, matriks, data frame.
- Pengenalan antarmuka R Studio.
Sesi 2: Dasar-Dasar Statistik Deskriptif
- Statistik deskriptif: mean, median, mode, variansi, dan standar deviasi.
- Visualisasi data: histogram, boxplot, scatterplot.
- Pengenalan library
ggplot2
untuk visualisasi.
Sesi 3: Pengenalan Analisis Regresi
- Konsep dasar regresi: regresi linear sederhana.
- Pengenalan regresi multivariat.
- Fungsi
lm()
di R untuk analisis regresi.
Sesi 4: Pemahaman Data Akademik
- Mengidentifikasi variabel kinerja akademik (IPK, nilai ujian, dll).
- Mengidentifikasi variabel prediktor (jumlah jam belajar, kehadiran, motivasi, dll).
- Persiapan dan eksplorasi dataset.
Sesi 5: Teknik Preprocessing Data
- Mengatasi missing values dan outliers.
- Normalisasi dan standardisasi data.
- Teknik encoding untuk variabel kategorikal.
Sesi 6: Korelasi Antar-Variabel
- Menghitung korelasi antar-variabel menggunakan fungsi
cor()
. - Interpretasi matriks korelasi.
- Visualisasi korelasi dengan
corrplot
.
Sesi 7: Regresi Linear Sederhana
- Membangun model regresi linear sederhana dengan satu prediktor.
- Evaluasi model menggunakan R-squared dan residual plot.
- Interpretasi hasil model.
Sesi 8: Regresi Linear Berganda
- Membangun model regresi linear dengan beberapa prediktor.
- Menggunakan fungsi
lm()
untuk model regresi berganda. - Evaluasi model dan interpretasi koefisien regresi.
Sesi 9: Uji Asumsi Regresi
- Uji normalitas residual.
- Uji homoskedastisitas.
- Uji multikolinearitas (VIF).
Sesi 10: Regresi Logistik
- Pengenalan regresi logistik untuk variabel dependen kategorikal.
- Membangun model regresi logistik di R.
- Interpretasi hasil regresi logistik.
Sesi 11: Pengujian Hipotesis pada Model Regresi
- Pengujian koefisien regresi dengan t-test.
- Pengujian model dengan F-test.
- Interpretasi nilai p (p-value).
Sesi 12: Feature Selection
- Metode pemilihan fitur: forward selection, backward elimination, stepwise regression.
- Implementasi metode pemilihan fitur di R.
- Evaluasi model setelah seleksi fitur.
Sesi 13: Validasi Model
- Teknik validasi model: k-fold cross-validation.
- Implementasi cross-validation di R.
- Evaluasi performa model dengan cross-validation.
Sesi 14: Evaluasi Model dengan Data Test
- Membagi dataset menjadi training dan testing.
- Membangun model dengan data training.
- Evaluasi performa model pada data testing.
Sesi 15: Interpretasi Model Regresi Multivariat
- Menginterpretasikan koefisien regresi pada model multivariat.
- Analisis dampak prediktor terhadap kinerja akademik.
- Membuat kesimpulan dari hasil analisis.
Sesi 16: Regresi Ridge dan Lasso
- Pengenalan regularisasi: Ridge dan Lasso regression.
- Implementasi Ridge dan Lasso di R.
- Perbandingan performa model regularisasi dengan model standar.
Sesi 17: Regresi Kuantile
- Pengenalan regresi kuantile untuk analisis persentil.
- Implementasi regresi kuantile di R.
- Aplikasi regresi kuantile dalam kinerja akademik.
Sesi 18: Penggunaan Model Campuran (Mixed-Effects)
- Pengenalan model campuran untuk data hirarkis.
- Implementasi mixed-effects model di R dengan
lme4
. - Aplikasi pada data akademik dengan variabel kelas atau fakultas.
Sesi 19: Regresi Probit dan Logit Ordinal
- Pengenalan regresi probit dan logit ordinal untuk data ordinal.
- Implementasi regresi probit dan logit ordinal di R.
- Aplikasi pada penilaian kinerja akademik ordinal.
Sesi 20: Analisis Variansi (ANOVA)
- Pengenalan ANOVA untuk membandingkan mean antar kelompok.
- Implementasi ANOVA di R.
- Aplikasi ANOVA dalam membandingkan kinerja akademik antar jurusan.
Sesi 21: Regresi Poisson dan Negative Binomial
- Pengenalan regresi Poisson untuk data count.
- Implementasi regresi Poisson dan Negative Binomial di R.
- Aplikasi pada prediksi jumlah kelulusan mahasiswa.
Sesi 22: Model Bayesian untuk Regresi
- Pengenalan model Bayesian untuk regresi.
- Implementasi regresi Bayesian di R dengan
brms
. - Interpretasi hasil regresi Bayesian.
Sesi 23: Pemodelan Regresi dengan Data Longitudinal
- Pengenalan data longitudinal dan analisis regresi.
- Implementasi model regresi untuk data longitudinal di R.
- Aplikasi pada data akademik dari waktu ke waktu.
Sesi 24: Model Regresi Penalized
- Pengenalan regresi penalized (Elastic Net).
- Implementasi Elastic Net di R.
- Aplikasi Elastic Net dalam seleksi fitur untuk kinerja akademik.
Sesi 25: Visualisasi Model Regresi
- Visualisasi hubungan prediktor dan respon dengan
ggplot2
. - Visualisasi prediksi model regresi.
- Pembuatan dashboard interaktif dengan
shiny
untuk hasil model.
Sesi 26: Model Regresi Nonparametrik
- Pengenalan regresi nonparametrik seperti GAM (Generalized Additive Models).
- Implementasi GAM di R.
- Aplikasi GAM dalam kinerja akademik dengan pola non-linear.
Sesi 27: Model Survival Analysis
- Pengenalan survival analysis untuk prediksi waktu kejadian.
- Implementasi Cox proportional hazards model di R.
- Aplikasi pada prediksi waktu kelulusan mahasiswa.
Sesi 28: Evaluasi dan Validasi Model Lanjutan
- Evaluasi performa model dengan AUC, ROC, dan precision-recall.
- Implementasi evaluasi lanjutan di R.
- Penentuan model terbaik untuk prediksi kinerja akademik.
Sesi 29: Penyusunan Laporan Analisis
- Menyusun laporan hasil analisis regresi.
- Interpretasi dan kesimpulan akhir.
- Pembuatan visualisasi dan dokumentasi hasil analisis.
Sesi 30: Presentasi Hasil Analisis
- Penyusunan presentasi hasil analisis.
- Teknik penyampaian hasil kepada audiens non-teknis.
- Latihan presentasi dan diskusi.
Silabus ini dirancang untuk memberikan pemahaman mendalam tentang analisis regresi multivariat menggunakan R Studio, serta aplikasinya dalam memprediksi kinerja akademik mahasiswa.