Upload 4 files

best_pipeline.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:ec189ca71f8636f9cd279ce9d142de9bba3622154a42b0e4c9a18a38c9d2b33c
+size 1100816

eda.py

@@ -0,0 +1,88 @@
+#import libraries
+import pandas as pd
+import numpy as np
+import streamlit as st
+import matplotlib.pyplot as plt
+import seaborn as sns
+import plotly.express as px
+
+def run():
+    #introduction
+    st.title("Exploratory Data Analysis of Student Performance")
+    #konsep markdown
+    st.write('This page containts Exploratory Data Analysis of Student Performance based on previous model')
+    st.write('---')
+
+    #memasukan gambar
+    link_gambar = 'https://tse4.mm.bing.net/th?id=OIP.2z-TeTNwM-ATHuzdStRADgHaDt&pid=Api&P=0&h=220'
+    st.image(link_gambar, caption='source:google.com')
+
+    #menampilkan dataframe
+    st.write('## Dataframe')
+
+    teams = pd.read_csv('StudentPerformanceFactors.csv')
+    st.dataframe(teams.head())
+
+    st.write('''
+            Indonesia menduduki peringkat 68 dari 81 negara di dunia dalam kemampuan matematika yang erat hubungannya dengan kemampuan bernalar.
+            Hal ini cukup mengkhawatirkan karena Indonesia sendiri digadang-gadang akan memiliki bonus demografi di tahun 2045 di mana 
+            jumlah penduduk yang berusia muda akan lebih banyak dari jumlah penduduk yang berusia senja. Generasi muda  akan mulai mengambil alih kendali 
+            atas negeri ini yang mana akan sangat berbahaya apabila generasi penerus tidak memiliki kemampuan bernalar yang mumpuni. Sebagai tambahan, 
+            tidak seimbangnya kemampuan bernalar dengan kebutuhan industri di masa depan akan menyebabkan lebih banyak pengangguran yang akan membebani ekonomi 
+            baik bagi negara maupun bagi individu itu sendiri. Program yang akan dibuat ini akan membantu untuk memprediksi performa matematika seorang pelajar yang 
+            dinyatakan dalam skor berdasarkan beberapa faktor diantaranya latar belakang keluarga, pengaruh teman sejawat, jarak antara rumah dan sekolah, serta fasilitas 
+            pendukung proses belajar anak seperti diadakannya kegiatan ektrakurikuler. 
+            - Bagi orang tua, program ini bisa dijadikan acuan untuk pertimbangan memilih sekolah dan acuan untuk lebih memperhatikan fasilitas dan dukungan mental yang dapat meningkatkan performa anak-anaknya. 
+            - Bagi pelajar, program ini bisa dijadikan acuan untuk menjaga diri dari hal-hal yang mungkin dapat berpengaruh terhadap performanya di sekolah, khususnya di bidang matematika. 
+            ''')
+
+    #sub bab visualisasi
+
+
+    # Contoh data
+    # data = teams['Distance_from_Home']
+    # df = pd.DataFrame(data)
+
+    
+    percentage = teams['Distance_from_Home'].value_counts(normalize=True) * 100
+
+   
+    fig, ax = plt.subplots(figsize=(6, 6))
+    ax.pie(percentage, labels=percentage.index, autopct='%1.1f%%', startangle=90,
+        colors=['#66c2a5', '#fc8d62', '#8da0cb'])
+
+    ax.set_title('Percentage of Home-to-School Distance')
+    ax.set_ylabel('')  
+
+    
+    st.pyplot(fig)
+
+
+    st.write('**Insight:**')
+    st.write('Sebanyak 10.1% orang tua memilih menyekolahkan anaknya di sekolah yang jauh dan sebanyak 30.6% memilih sekolah yang tidak terlalu jauh maupun tidak terlalu dekat dengan rumah. Hal ini bisa jadi karena faktor kualitas sekolah menjadi hal utama dalam pengambilan keputusan')
+
+    # Visualisasi menggunakan boxplot
+    plt.figure(figsize=(8, 6))
+    sns.boxplot(x='Parental_Involvement', y='Exam_Score', data=teams, palette='Set2')
+    plt.title('Distribusi Skor Ujian Berdasarkan Keterlibatan Orang Tua', fontsize=16)
+    plt.xlabel('Tingkat Keterlibatan Orang Tua', fontsize=12)
+    plt.ylabel('Skor Ujian', fontsize=12)
+    plt.show()
+
+    #dynamic hystogram
+    st.write('### Distribusi Data')
+
+    opsi=st.selectbox('Pilih Data:',
+                    ('Hours_Studied', 'Attendance', 'Parental_Involvement',
+        'Access_to_Resources', 'Extracurricular_Activities', 'Sleep_Hours',
+        'Previous_Scores', 'Motivation_Level', 'Tutoring_Sessions',
+        'Family_Income', 'Teacher_Quality', 'School_Type', 'Peer_Influence',
+        'Physical_Activity', 'Learning_Disabilities',
+        'Parental_Education_Level', 'Distance_from_Home'))
+
+    fig = plt.figure(figsize=(8,5))
+    sns.histplot(teams[opsi], bins=20, kde=True)
+    st.pyplot(fig)
+
+if __name__ == '__main__':
+    run()

prediction.py

@@ -0,0 +1,70 @@
+import pandas as pd
+import numpy as np
+import streamlit as st
+import pickle
+
+#load model
+with open('best_pipeline.pkl', 'rb') as file:
+    model = pickle.load(file)
+
+def run():
+    #set title
+    st.title('Student Performance')
+    st.write('---')
+
+    link_gambar = 'https://tse2.mm.bing.net/th?id=OIP.-i29HcwAtH6ZUfKAXVLYSQHaEK&pid=Api&P=0&h=220'
+    st.image(link_gambar, caption = 'source: google.com')
+
+    #deskripsi
+    st.write('This page contents prediction model that can predict student performance based on attributes required')
+
+    #buat form
+    with st.form(key='form parameters'):
+        jam_belajar = st.number_input('Hours Studied: ', min_value=1, max_value=44, value=8)
+        kehadiran = st.slider('Attendences: ', min_value=48, max_value=100, value=60)
+        keterlibatan_ortu = st.selectbox('Parental Involvement: ', ('Low','Medium', 'High'))
+        akses_sumber =  st.selectbox('Access to Resources: ', ('Low','Medium', 'High'))
+        ekstrakurikuler = st.selectbox('Extracuriccular Activities: ', ('Yes', 'No'))
+        jam_tidur = st.slider('Sleep Hours: ', min_value=4, max_value=10, value=6)
+        nilai_sebelumnya = st.number_input('Previous Scores: ', min_value=50, max_value=100, value=70)
+        motivasi = st.selectbox('Motivation Level: ', ('Low','Medium', 'High'))
+        sesi_tutor = st.slider('Tutoring Sessions: ', min_value=0, max_value=8, value=0)
+        income = st.selectbox('Family Income: ', ('Low','Medium', 'High'))
+        kualitas_guru = st.selectbox('Teacher Quality: ', ('Low','Medium', 'High'))
+        sekolah = st.selectbox('School Type: ', ('Private', 'Public'))
+        pengaruh = st.selectbox('Peer Influence: ', ('Positive', 'Negative'))
+        aktivitas_fisik = st.slider('Physical Activity: ', min_value=0, max_value=6, value=3)
+        disabilitas = st.selectbox('Learning Disabilities: ', ('Yes', 'No'))
+        pendidikan_orang_tua = st.selectbox('Parental Educational Level: ', ('High School', 'College', 'Postgraduate'))
+        jarak = st.selectbox('Distances from Home: ', ('Near', 'Moderate', 'Far'))
+
+        submit=st.form_submit_button('Prediksi')
+
+    data_raw={'Hours_Studied': jam_belajar,
+    'Attendance': kehadiran,
+    'Parental_Involvement': keterlibatan_ortu,
+    'Access_to_Resources': akses_sumber,
+    'Extracurricular_Activities': ekstrakurikuler,
+    'Sleep_Hours': jam_tidur,
+    'Previous_Scores': nilai_sebelumnya,
+    'Motivation_Level': motivasi,
+    'Tutoring_Sessions': sesi_tutor,
+    'Family_Income': income,
+    'Teacher_Quality': kualitas_guru,
+    'School_Type': sekolah,
+    'Peer_Influence': pengaruh,
+    'Physical_Activity': aktivitas_fisik,
+    'Learning_Disabilities': disabilitas,
+    'Parental_Education_Level': pendidikan_orang_tua,
+    'Distance_from_Home': jarak
+    }
+
+    data = pd.DataFrame([data_raw])
+    st.dataframe(data) 
+
+    if submit:
+        result = model.predict(data)
+        st.write(f'### Scores predicted: {result[0]:.2f}')
+
+if __name__ == '__main__':
+    run()

requirements.txt

@@ -0,0 +1,6 @@
+pandas
+numpy
+plotly
+seaborn
+matplotlib
+scikit-learn