HIDAYAT, Arief and Adi, Kusworo and Surarso, Bayu (2024) MODEL DETEKSI OTOMATIS GAYA BELAJAR MENGGUNAKAN K-MEANS DAN NAIVE BAYES DENGAN PENDEKATAN BERBASIS LITERATUR. Doctoral thesis, UNIVERSITAS DIPONEGORO.

	Text Cover dan Halaman Pendukung.pdf Download (2MB)
	Text Bab I - Pendahuluan.pdf Download (231kB)
	Text Bab II - Tinjauan Pustaka dan Dasar Teori.pdf Download (648kB)
	Text Bab III - Metode Penelitian.pdf Restricted to Repository staff only Download (367kB)
	Text Bab IV - Hasil dan Pembahasan.pdf Restricted to Repository staff only Download (1MB)
	Text Bab V - Penutup.pdf Restricted to Repository staff only Download (54kB)
	Text Daftar Pustaka.pdf Download (209kB)

Abstract

Deteksi otomatis gaya belajar mahasiswa secara cepat dan akurat sangat diperlukan untuk dapat mengidentifikasi gaya belajar mahasiswa terhadap sebuah pembelajaran. Gaya belajar sangat menentukan motivasi dan kinerja belajar seorang mahasiswa. Informasi tentang gaya belajar dapat juga menjadikan mahasiswa mengetahui gaya belajarnya dan bagi pengajar dapat menyediakan material pembelajaran yang sesuai dengan gaya belajar mahasiswa. Pendekatan yang sering digunakan dalam deteksi otomatis gaya belajar yaitu berdasarkan data (data-driven) dan berbasis literatur (literature-based). Permasalahan pada pendekatan data-driven adalah label data yang digunakan untuk membangun model tersebut berdasarkan hasil ILS (Index of Learning Style) kuesioner yang diisi oleh mahasiswa. Meskipun modelnya bisa sangat akurat karena penggunaan data nyata, pendekatan ini sulit digunakan kembali di sistem lain karena sistem dan seluruh proses pembelajaran sangat berpasangan dan terintegrasi. Sedangkan pada pendekatan literature–based mempunyai kelebihan bersifat umum dan dapat diterapkan untuk data yang dikumpulkan dari kursus apapun. Kebaruan dari penelitian ini yaitu dengan menggabungkan kedua pendekatan tersebut yaitu pendekatan ¬data-driven dan literature-based.
Penelitian ini diawali dengan mengekstrak log aktivitas mahasiswa dari database Learning Management System (LMS). Jenis aktivitas mahasiswa tersebut dipetakan dengan model gaya belajar Felder dan Silverman menggunakan pendekatan literature-based. Hasil pemetaan tersebut dijadikan masukan pada algoritma klustering K-mean yang dimodifikasi untuk mengelompokkan menjadi 16 kombinasi gaya belajar berdasarkan model gaya belajar Felder dan Silverman. Hasil klustering digunakan untuk pelabelan dari dataset log aktivitas mahasiswa tersebut yang dijadikan sebagai data latih dan data uji menggunakan algoritma Naïve Bayes (NB) untuk klasifikasi gaya belajar.
Hasil pengujian menggunakan nilai validitas matriks Davies- Bouldin Index (DBI) menunjukkan modifikasi algoritma K-Means lebih baik yang ditunjukkan dengan nilai DBI=1,06, lebih rendah daripada K-Means asli yaitu 1,32. Hasil pengujian model deteksi otomatis gaya belajar menggunakan penggabungan algoritma NB dengan pendekatan berbasis literatur juga memiliki performa yang cukup tinggi yang ditunjukkan pada dimensi perception yang menghasilkan akurasi sebesar 83% yang mempunyai 7 pemetaan dengan aktivitas pembelajaran. Pada dimensi input menghasilkan akurasi sebesar 88% yang mempunyai 4 pemetaan dengan aktivitas pembelajaran. Pada dimensi processing menghasilkan akurasi 92% yang mempunyai 10 pemetaan dengan aktivitas pembelajaran, dan pada dimensi understanding menghasilkan akurasi sebesar 71% yang hanya mempunyai 2 pemetaan dengan aktivitas pembelajaran. Hasil pengujian menunjukkan bahwa model deteksi otomatis gaya belajar yang dikembangkan dengan menggabungkan algoritma K-Means dan NB dengan pendekatan berbasis literatur bekerja sangat baik, semakin banyak aktivitas pembelajaran akan memperbanyak feature relevan dan semakin meningkatkan akurasi.
Kata kunci: Deteksi Otomatis, Gaya Belajar, LMS, K-Means, Naive Bayes, Berbasis Literatur.

Automatic detection of student learning styles quickly and accurately is very necessary to be able to identify student learning styles regarding a lesson. Learning style greatly determines a student's motivation and learning performance. Information about learning styles can also enable students to know their learning styles and teachers can provide learning materials that suit students' learning styles. The approaches often used in the automatic detection of learning styles are data-driven and literature-based. The problem with the data-driven approach is that the data labels used to build the model are based on the results of the ILS (Index of Learning Style) questionnaire filled out by students. Although the model can be very accurate due to the use of real data, this approach is difficult to reuse in other systems because the system and the entire learning process are highly coupled and integrated. Meanwhile, the literature-based approach has the advantage of being general and can be applied to data collected from any course.The novelty of this research is that it combines the two approaches, namely the data-driven and literature-based approaches.
This research began by extracting student activity logs from the Learning Management System (LMS) database. These types of student activities are mapped using Felder and Silverman's learning style model using a literature-based approach. The mapping results were used as input for the K-mean clustering algorithm, which was modified to group into 16 learning style combinations based on the Felder and Silverman learning style model. The clustering results are used for labeling the student activity log dataset, which is used as training data and test data using the Naïve Bayes (NB) algorithm for classification of learning styles.
Test results using the validity value of the Davies-Bouldin Index (DBI) matrix show that the modified K-Means algorithm is better, as indicated by the DBI value = 1.06, lower than the original K-Means, namely 1.32. The test results of the automatic learning style detection model using a combination of the NB algorithm with a literature-based approach also have quite high performance as shown in the perception dimension which produces an accuracy of 83% which has 7 mappings with learning activities. The input dimension produces an accuracy of 88% which has 4 mappings with learning activities. In the processing dimension it produces an accuracy of 92% which has 10 mappings with learning activities, and in the understanding dimension it produces an accuracy of 71% which only has 2 mappings with learning activities. The test results show that the automatic learning style detection model developed by combining the K-Means and NB algorithms with a literature-based approach works very well, the more learning activities will increase the number of relevant features and further increase accuracy.
Keywords: Automatic Detection, Learning Styles, LMS, K-Means, Naive Bayes, Literature Based

Actions (login required)

View Item