DATA MINING PENDIDIKAN: PREDIKSI GAYA BELAJAR MAHASISWA TEKNIK MENGGUNAKAN MACHINE LEARNING
Dalam platform online, pembelajar yang berbeda memiliki gaya belajar yang berbeda berdasarkan perilaku belajar. Oleh karena itu, menganalisis perilaku dan mendeteksi gaya belajar mahasiswa adalah penting untuk memberikan rekomendasi sumber daya yang tepat, sehingga meningkatkan hasil belajar mahasi...
Saved in:
| Main Authors: | , |
|---|---|
| Format: | Article |
| Language: | Indonesian |
| Published: |
University of Brawijaya
2025-06-01
|
| Series: | Jurnal Teknologi Informasi dan Ilmu Komputer |
| Subjects: | |
| Online Access: | https://jtiik.ub.ac.id/index.php/jtiik/article/view/9190 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1849222696979660800 |
|---|---|
| author | Sumarlin Sumarlin Dewi Anggraini |
| author_facet | Sumarlin Sumarlin Dewi Anggraini |
| author_sort | Sumarlin Sumarlin |
| collection | DOAJ |
| description |
Dalam platform online, pembelajar yang berbeda memiliki gaya belajar yang berbeda berdasarkan perilaku belajar. Oleh karena itu, menganalisis perilaku dan mendeteksi gaya belajar mahasiswa adalah penting untuk memberikan rekomendasi sumber daya yang tepat, sehingga meningkatkan hasil belajar mahasiswa. Untuk memprediksi gaya belajar mahasiswa, dihitung dan dibandingkan kinerja algoritma pembelajaran mesin seperti regresi logistik, pohon penentuan, K-Nearets neigbour, support vektor machine, neural network, dan Naive Bayes. Dataset terdiri dari seratus mahasiswa teknik yang belajar Arsitektur Komputer selama satu semester. Studi berbasis data seperti ini sangat penting untuk membangun sistem analisis pembelajaran di institusi pendidikan tinggi dan membantu proses pengambilan keputusan. Hasilnya menunjukkan bahwa model yang disarankan mencapai akurasi klasifikasi sebesar 65–78% dengan hanya empat parameter digunakan: nilai akhir, predikat, program studi, dan jenis kelamin. Hasil menunjukkan bahwa algoritma K-Nearest Neigbour memiliki tingkat akurasi 78% tertinggi dibandingkan dengan algoritma machine learning lainnya. Ini menunjukkan bahwa ada korelasi yang signifikan antara data aktual dan data prediksi. Hasilnya menunjukkan bahwa 78% sampel diklasifikasikan dengan benar. Hasil empiris dari penelitian ini memungkinkan pemahaman yang lebih baik tentang proses penggalian data pendidikan perguruan tinggi saat ini. Pemahaman ini dapat digunakan untuk mempertimbangkan faktor-faktor yang perlu dipertimbangkan oleh para mahasiswa teknik saat membuat keputusan tentang proses pembelajaran.
|
| format | Article |
| id | doaj-art-4e75cc1023bb4432b591565eaa5cb388 |
| institution | Kabale University |
| issn | 2355-7699 2528-6579 |
| language | Indonesian |
| publishDate | 2025-06-01 |
| publisher | University of Brawijaya |
| record_format | Article |
| series | Jurnal Teknologi Informasi dan Ilmu Komputer |
| spelling | doaj-art-4e75cc1023bb4432b591565eaa5cb3882025-08-26T03:34:02ZindUniversity of BrawijayaJurnal Teknologi Informasi dan Ilmu Komputer2355-76992528-65792025-06-0112310.25126/jtiik.2025129190DATA MINING PENDIDIKAN: PREDIKSI GAYA BELAJAR MAHASISWA TEKNIK MENGGUNAKAN MACHINE LEARNINGSumarlin Sumarlin0Dewi Anggraini1Sekolah Tinggi Informatika dan Komputer Uyelindo Kupang, KupangSekolah Tinggi Informatika dan Komputer Uyelindo Kupang, Kupang Dalam platform online, pembelajar yang berbeda memiliki gaya belajar yang berbeda berdasarkan perilaku belajar. Oleh karena itu, menganalisis perilaku dan mendeteksi gaya belajar mahasiswa adalah penting untuk memberikan rekomendasi sumber daya yang tepat, sehingga meningkatkan hasil belajar mahasiswa. Untuk memprediksi gaya belajar mahasiswa, dihitung dan dibandingkan kinerja algoritma pembelajaran mesin seperti regresi logistik, pohon penentuan, K-Nearets neigbour, support vektor machine, neural network, dan Naive Bayes. Dataset terdiri dari seratus mahasiswa teknik yang belajar Arsitektur Komputer selama satu semester. Studi berbasis data seperti ini sangat penting untuk membangun sistem analisis pembelajaran di institusi pendidikan tinggi dan membantu proses pengambilan keputusan. Hasilnya menunjukkan bahwa model yang disarankan mencapai akurasi klasifikasi sebesar 65–78% dengan hanya empat parameter digunakan: nilai akhir, predikat, program studi, dan jenis kelamin. Hasil menunjukkan bahwa algoritma K-Nearest Neigbour memiliki tingkat akurasi 78% tertinggi dibandingkan dengan algoritma machine learning lainnya. Ini menunjukkan bahwa ada korelasi yang signifikan antara data aktual dan data prediksi. Hasilnya menunjukkan bahwa 78% sampel diklasifikasikan dengan benar. Hasil empiris dari penelitian ini memungkinkan pemahaman yang lebih baik tentang proses penggalian data pendidikan perguruan tinggi saat ini. Pemahaman ini dapat digunakan untuk mempertimbangkan faktor-faktor yang perlu dipertimbangkan oleh para mahasiswa teknik saat membuat keputusan tentang proses pembelajaran. https://jtiik.ub.ac.id/index.php/jtiik/article/view/9190Gaya BelajarPenggalia DataPembelajaran Mesin |
| spellingShingle | Sumarlin Sumarlin Dewi Anggraini DATA MINING PENDIDIKAN: PREDIKSI GAYA BELAJAR MAHASISWA TEKNIK MENGGUNAKAN MACHINE LEARNING Jurnal Teknologi Informasi dan Ilmu Komputer Gaya Belajar Penggalia Data Pembelajaran Mesin |
| title | DATA MINING PENDIDIKAN: PREDIKSI GAYA BELAJAR MAHASISWA TEKNIK MENGGUNAKAN MACHINE LEARNING |
| title_full | DATA MINING PENDIDIKAN: PREDIKSI GAYA BELAJAR MAHASISWA TEKNIK MENGGUNAKAN MACHINE LEARNING |
| title_fullStr | DATA MINING PENDIDIKAN: PREDIKSI GAYA BELAJAR MAHASISWA TEKNIK MENGGUNAKAN MACHINE LEARNING |
| title_full_unstemmed | DATA MINING PENDIDIKAN: PREDIKSI GAYA BELAJAR MAHASISWA TEKNIK MENGGUNAKAN MACHINE LEARNING |
| title_short | DATA MINING PENDIDIKAN: PREDIKSI GAYA BELAJAR MAHASISWA TEKNIK MENGGUNAKAN MACHINE LEARNING |
| title_sort | data mining pendidikan prediksi gaya belajar mahasiswa teknik menggunakan machine learning |
| topic | Gaya Belajar Penggalia Data Pembelajaran Mesin |
| url | https://jtiik.ub.ac.id/index.php/jtiik/article/view/9190 |
| work_keys_str_mv | AT sumarlinsumarlin dataminingpendidikanprediksigayabelajarmahasiswateknikmenggunakanmachinelearning AT dewianggraini dataminingpendidikanprediksigayabelajarmahasiswateknikmenggunakanmachinelearning |