Edit Tugas - TugasKu

Mata Kuliah

Catatan Tambahan

Link: https://sikola-v2.unhas.ac.id/mod/assign/view.php?id=1224472

DESKRIPSI:
5 October 2026, 1:17 PM

ISI Ujian Tengah Semester Machine Learning sub-CPMK(1).pdf:
UJIAN TENGAH SEMESTER
MATA KULIAH MODERN PREDIKSI DAN MACHINE LEARNING
SEMESTER GANJIL 2026/2027
WAKTU: 150 MENIT (Total)
PETUNJUK UNTUK DIPERHATIAN DAN DIBACA DENGAN BAIK:
1) Ujian ini wajib dikerjakan secara mandiri oleh setiap mahasiswa.
2) Dilarang mengaktifkan internet selama pengerjaan soal.
3) Hanya diperbolehkan membuka software R dan Microsoft Word
4) Dilarang membuka file materi atau file lain selain yang digunakan untuk ujian.
5) Soal teori ataupun pengerjaan manual ditulis tangan dan di-scan.
Catatan:
-

Akan diberikan waktu 15 menit untuk melakukan scan dan menggabungkan
hasil tulisan tangan dengan hasil dari software R.

-

Jawaban soal teori yang ditulis tangah harus dikumpulkan setelah UTS Selesai

6) Jawaban disusun dalam satu file pdf yang pada setiap lembar jawaban diberikan
identitas NAMA dan NIM. Kemudian file jawaban disubmit melalui Sikola 2.0 dengan
batas upload jawaban maksimum pukul 12.00 WITA. Mohon perhatikan bahwa
kelebihan waktu tersebut sudah memperhitungkan alokasi waktu untuk merapikan
jawaban dan proses upload. Keterlambatan pengiriman jawaban akan berdampak pada
nilai ujian.
7) Semua mahasiswa harus menjaga integritas dan sportivitas secara akademik,
diantaranya adalah tidak bekerjasama dalam ujian ini.
8) Hormatilah privacy teman Anda yang ingin menjaga integritasnya dengan cara tidak
menanyakan apapun terkait soal ini kepadanya.
9) Semua pelanggaran akademik selama ujian (misalnya pada berkas jawaban ada
indikasi kerjasama antar mahasiswa) akan diberikan sanksi akademik yaitu TIDAK
LULUS pada mata Kuliah Modern Prediksi dan Machine Learning.

@UTS-SemAwal26/27

1

Sub CPMK 1
1. Sebuah perguruan tinggi ingin memprediksi kelulusan tepat waktu menggunakan informasi yang
tersedia pada akhir semester kedua. Berikut cuplikan data yang akan digunakan.
Jam belajar per Kehadiran

IPK

Status

Lulus

minggu

(%)

semester 2

beasiswa

waktu

M01 19

12

90

3,40

Ya

M02 20

—

85

3,10

Tidak

Ya

M03 19

15

110

3,60

ya

Ya

M04 2

ISI H051241070_uts mpml sub-cpmk1.pdf:
Nama : Fadhil Fajri Rahman
NIM : H051241070
Sub-CPMK (1)
1. a) 1) Missing value
2) Outlier
3) Data redundan
4) Konsistensi penamaan value
5) Tipe data
b) 1) Mengisi missing value dengan mean atau median
2) Melakukan normalisasi dan standarisasi
3) Menghapus baris data yang redundan
4) Menyamakan semua penulisan value
5) Jika ada data numeric tapi memiliki tipe string, maka data string ini
harus diubah menjadi numeric dulu
Nilai ekstrem tidak boleh langsung dihapus karena setiap baris data
memiliki makna, outlier bisa saja sebagian kecil yang terjadi di
populasi, jika ada outlier maka sebaiknya dilakukan normalisasi
terlebih dahulu agar hasil prediksi pada algoritma machine learning
akurat.
c) Variabel Target : Lulus tepat waktu
Variabel Prediktor : Jam belajar per minggu, Kehadiran, IPK
semester 2, Status beasiswa (Usia tidak dimasukkan karena tidak terlalu
relevan dengan variabel target)
Peran kolom ID dalam analisis adalah hanya sebagai penanda baris
data, id tidak dapat digunakan untuk melakukan prediksi pada variabel
target.

d) Cara mengubah variabel status beasiswa adalah dengan melakukan
encoding setiap nilai pada variabel menjadi angka, karena variabel ini
hanyalah bertipe data kategorik yaitu Ya dan Tidak, variabel status beasiswa
dapat diubah menjadi 0 dan 1. Pastinya dengan mengubah dulu semua
nilainya agar konsisten penulisannya.
Untuk kategori yang tidak tersedia adalah saya akan menggunakan median
karena variabel bertipe kategorik

Lampiran

Klik untuk tambah file baru

Status

Tugaskan Kepada: Pilih Semua

Afifa

Fadhil

Pilih minimal satu orang.

✏️ Edit Tugas