QS World University Rankings 2025

Dataset QS World University Rankings of 2025 yang digunakan pada project ini diunduh dari Google Drive.

Project akhir ini berfokus pada analisis data QS World University Rankings 2025 menggunakan Python dan platform Deepnote. Tujuan utama project ini adalah memberikan gambaran tentang tren, distribusi, serta performa universitas-universitas top dunia berdasarkan berbagai indikator utama yang digunakan oleh QS WUR.

Dalam project ini, kami melakukan serangkaian tahapan mulai dari:

Pembersihan data: Mengatasi data hilang, merapikan format, dan mengonversi tipe data sesuai kebutuhan analisis.

Eksplorasi dan visualisasi data: Menyajikan distribusi universitas secara global, menampilkan perbandingan antar indikator penilaian, hingga menyoroti universitas dengan performa tertinggi.

Penyusunan dashboard interaktif: Semua analisis divisualisasikan dalam bentuk dashboard berbasis Python agar hasilnya mudah dipahami, komparatif, dan dapat dieksplorasi lebih lanjut.

Nama Kelompok:

Ayu Indri Firdani (251020240009)

Indarwan Harsoni (251020240011)

Dyah Pralampitawati NQ (251020240015)

Sholeh Qomaruddin (251020240016)

Dosen: Dr. Irwan Ary Dharmawan, S.Si., M.Si.

1: Persiapan Data

A. Membaca dan Memuat Data

Pada tahap ini, dilakukan proses pembacaan dan pemuatan dataset QS World University Rankings dari file CSV yang tersedia di direktori kerja (/work/qs_dataset.csv). Data dibaca menggunakan library pandas dan dimuat ke dalam struktur DataFrame untuk kemudahan analisis lebih lanjut.

B. Data Cleaning & Konversi

Pada tahap ini, dilakukan:

Konversi rank rentang (misal '1001-1200') menjadi angka awal (1001).

Konversi semua kolom numerik (Score/Rank) ke float, serta imputasi nilai kosong dengan median kolom.

Kategori seperti SIZE, FOCUS, RES., dan STATUS di-mapping ke angka untuk kemudahan analisis.

Nilai kosong pada data kategorikal diisi dengan 'Unknown'.

C. Struktur dan Ringkasan Data

Tahap ini menampilkan:

Struktur data: jumlah baris, kolom, serta tipe data tiap kolom.

Jumlah missing value: untuk memastikan tidak ada nilai kosong di kolom penting.

Sample data: untuk melihat hasil akhir pembersihan.

D. Simpan ke file CSV baru

2. Analisis Data Dasar dengan NumPy

Sebelum melakukan analisis lebih lanjut, langkah awal yang dilakukan adalah menghitung statistik deskriptif pada setiap indikator utama dalam dataset QS World University Rankings. Statistik ini membantu memahami karakteristik data secara umum dan memastikan bahwa data sudah siap untuk tahap analisis berikutnya.

A. Hitung Statistik Dasar (mean, median, std dev) untuk Kolom Numerik Penting

Setiap kolom numerik indikator QS diubah menjadi tipe numerik (float).

Nilai kosong (NaN) diisi otomatis dengan median dari kolom terkait.

Dihitung nilai rata-rata (mean), median, dan standar deviasi untuk tiap indikator.

Hasil ini memberikan gambaran umum sebaran dan variasi data pada setiap skor universitas.

B. Buat Array NumPy untuk Menyimpan Data Score dari 5 Indikator Utama

Pada tahap ini, dipilih lima indikator utama dari dataset QS World University Rankings, yaitu Academic Reputation Score, Employer Reputation Score, Faculty Student Score, Citations per Faculty Score, dan International Faculty Score. Kelima kolom tersebut kemudian diekstrak dari DataFrame dan dikonversi ke dalam bentuk array NumPy berdimensi dua, dengan baris merepresentasikan masing-masing universitas dan kolom merepresentasikan skor setiap indikator.

Langkah ini bertujuan untuk memudahkan proses analisis numerik dan operasi matriks pada data, yang sering kali dibutuhkan pada tahapan analisis data dan machine learning.

C. Lakukan Operasi Matriks untuk Menghitung Weighted Score (Bobot Tentukan Sendiri)

Array indikator_qs menyimpan skor dari 9 indikator sesuai urutan tabel QS.

Array weights_qs memuat bobot untuk masing-masing indikator (jumlah 100%).

Perhitungan skor akhir dilakukan dengan perkalian matriks (np.dot), menghasilkan skor akhir terstandarisasi per universitas.

D. Bandingkan Hasil Weighted Score dengan Overall Score

3. Visualisasi Data

A. Histogram Distribusi Overall Score

B. Scatter Plot: Academic Reputation Score vs Employer Reputation Score

C. Bar Chart Top 10 Universitas Berdasarkan Overall Score

D. Heatmap Korelasi Antara Indikator

E. Line Chart Perubahan Peringkat (Rank 2024 vs 2025) untuk 5 Universitas Pilihan

4. Analisis Lanjutan

A. Kelompokkan universitas berdasarkan Region, hitung rata-rata indikator untuk setiap region

B. Identifikasi 5 universitas dengan peningkatan peringkat tertinggi (2024 → 2025)

C. Buat ranking baru berdasarkan kriteria sendiri

D. Analisis bagaimana ukuran universitas (SIZE) mempengaruhi berbagai indikator

5. Aplikasi Machine Learning Sederhana

A. Bangun Model Prediksi Overall Score Berdasarkan Beberapa Fitur

from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score # Pilih fitur numerik utama sebagai prediktor fitur = [ 'Academic_Reputation_Score', 'Employer_Reputation_Score', 'Faculty_Student_Score', 'Citations_per_Faculty_Score', 'International_Faculty_Score' ] # X = variabel input, y = target X = df_bersih[fitur].values y = df_bersih['Overall_Score'].values

B. Split Data ke Training dan Test Set

# 80% training, 20% test X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42 ) print(f"Train set: {X_train.shape}, Test set: {X_test.shape}")

C. Model: Regresi Linear

fitur = [ 'Academic_Reputation_Score', 'Employer_Reputation_Score', 'Faculty_Student_Score', 'Citations_per_Faculty_Score', 'International_Faculty_Score' ] # Drop semua baris dengan NaN di fitur atau Overall_Score df_ml = df_bersih[fitur + ['Overall_Score']].dropna() X = df_ml[fitur].values y = df_ml['Overall_Score'].values from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42 ) from sklearn.linear_model import LinearRegression model = LinearRegression() model.fit(X_train, y_train) y_pred = model.predict(X_test)

D. Evaluasi Model: MAE, MSE, R-squared

mae = mean_absolute_error(y_test, y_pred) mse = mean_squared_error(y_test, y_pred) r2 = r2_score(y_test, y_pred) print(f"Evaluasi Model Linear Regression:") print(f"MAE (Mean Absolute Error): {mae:.2f}") print(f"MSE (Mean Squared Error): {mse:.2f}") print(f"R^2 (R-squared): {r2:.4f}")

E. Interpretasi Hasil

# Tampilkan koefisien bobot tiap fitur (penting untuk interpretasi) coef_df = pd.DataFrame({ 'Fitur': fitur, 'Koefisien': model.coef_ }) print("Kontribusi setiap fitur terhadap prediksi Overall Score:") display(coef_df)

import plotly.express as px result_df = pd.DataFrame({'Actual': y_test, 'Predicted': y_pred}) fig = px.scatter( result_df, x='Actual', y='Predicted', trendline='ols', title='Prediksi vs Aktual Overall Score (Test Set)' ) fig.update_layout(template='simple_white') fig.show()

6. Dashboard - QS World University Ranking Performance

Dashboard interaktif ini dirancang untuk menyajikan performa universitas berdasarkan data QS World University Rankings 2025. Melalui dashboard ini, pengguna dapat melihat informasi universitas terbaik di dunia, posisi universitas tertentu (misalnya Unpad), distribusi universitas top per negara, hingga nilai rata-rata setiap indikator utama (seperti academic reputation, employer reputation, citations per faculty, dan lainnya). Pengguna juga dapat memilih nama universitas untuk menampilkan detail tren peringkat, performa indikator, serta membandingkan nilai universitas dengan rata-rata global secara langsung dan mudah dipahami.

Nama Universitas

Bandung Institute of Technology (ITB)

.css-15w88e5{color:var(--chakra-colors-fg-neutral-primary);font-weight:inherit;letter-spacing:-0.09px;}QS World University Rankings 2025