Campus Recruitment Analysis

Prediksi Keberhasilan Penempatan Mahasiswa menggunakan Machine Learning

Informasi Mahasiswa

Nama	Muhammad Daffa Ravfriza
NIM	217006416091
Kelas	K.01
Mata Kuliah	Data Science
Tugas	UAS - Proyek Klasifikasi

Deskripsi Proyek

Proyek ini membangun model klasifikasi machine learning untuk memprediksi keberhasilan penempatan mahasiswa dalam proses rekrutmen kampus (campus placement). Dataset berisi 215 data mahasiswa dengan 15 fitur mencakup latar belakang akademik, pengalaman kerja, hasil tes kemampuan, dan status penempatan kerja.

Dataset

Informasi	Detail
Jumlah Data	215 baris
Jumlah Fitur	15 kolom
Target Variable	Status Placement (Placed / Not Placed)
Rasio Target	68.84% Placed, 31.16% Not Placed

Hasil Analisis

Model yang Digunakan

Tiga model klasifikasi dibandingkan menggunakan 5-Fold Cross-Validation dan evaluasi pada test set (80:20 split):

Model	Accuracy	Precision	Recall	F1-Score
Logistic Regression	86.05%	92.86%	86.67%	89.66%
Decision Tree	72.09%	75.00%	90.00%	81.82%
Random Forest	88.37%	90.32%	93.33%	91.80%

Model Terbaik: Random Forest

Random Forest terpilih sebagai model terbaik dengan F1-Score 91.80% dan Akurasi 88.37%.

Top 5 Faktor yang Mempengaruhi Placement

Rank	Faktor	Importance
1	Nilai rata-rata SMP	0.2731
2	IPK	0.2220
3	Nilai rata-rata SMA	0.1665
4	Nilai tes kemampuan kerja	0.0875
5	Pengalaman kerja sebelum lulus	0.0490

Korelasi Fitur dengan Placement

Fitur	Korelasi
Nilai rata-rata SMP	0.607
Nilai rata-rata SMA	0.492
IPK	0.480
Nilai tes kemampuan kerja	0.128

Rekomendasi Strategis

1. Tingkatkan IPK & Kualitas Akademik - Faktor akademik (Nilai SMP, IPK, Nilai SMA) menjadi tiga faktor teratas yang mempengaruhi keberhasilan placement.
2. Program Persiapan Tes Kemampuan Kerja - Adakan pelatihan assessment center untuk meningkatkan skor tes kemampuan kerja mahasiswa.
3. Wajibkan Pengalaman Kerja - Dorong program magang/internship wajib karena pengalaman kerja berpengaruh positif terhadap placement.
4. Bridging Program - Sediakan program remedial bagi mahasiswa dengan nilai pendidikan dasar yang kurang optimal.
5. Career Development per Jurusan - Sesuaikan program pengembangan karir berdasarkan karakteristik masing-masing jurusan.

Tech Stack

• Python 3.8+ - pandas, numpy, matplotlib, seaborn, scikit-learn
• Jupyter Notebook - Analisis interaktif
• Model ML - Logistic Regression, Decision Tree, Random Forest

Struktur Repository

├── Campus Recruitment.csv                    # Dataset utama
├── notebook/
│   └── campus_recruitment_analysis.ipynb     # Notebook analisis lengkap
├── campus_recruitment_analysis/              # Output gambar/visualisasi
└── README.md                                 # Dokumentasi proyek

Cara Menjalankan

# Install dependencies
pip install pandas numpy matplotlib seaborn scikit-learn jupyter

# Jalankan notebook
jupyter notebook notebook/campus_recruitment_analysis.ipynb

---

UAS Data Science 2025/2026 - Muhammad Daffa Ravfriza (217006416091)