Klasifikasi Multi Label Gaya Belajar VAK berdasarkan Perilaku Pembelajaran pada E-learning Menggunakan Metode Supervised Learning

Putri, Safira Vanillia (2020) Klasifikasi Multi Label Gaya Belajar VAK berdasarkan Perilaku Pembelajaran pada E-learning Menggunakan Metode Supervised Learning. Other thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 05111640000001-Undergraduate_Thesis.pdf]
Preview
Text
05111640000001-Undergraduate_Thesis.pdf

Download (3MB) | Preview

Abstract

Penggunaan e-learning pada institusi pendidikan telah banyak dimanfaatkan sebagai media yang memudahkan proses pembelajaran. Di dalam e-learning telah tersedia berbagai macam modul, salah satunya data log. Dengan adanya data log, hal ini memungkinkan untuk melakukan analisis data yang dapat menghasilkan pengetahuan berguna bagi tenaga pendidik. Salah satunya adalah data log pada e-learning dianggap dapat menjadi preferensi dalam menentukan gaya belajar. Namun masalahnya, pada e-learning belum menyediakan fitur yang mengelola data log pelajar untuk mengetahui gaya belajarnya. Salah satu solusi untuk mengatasi masalah tersebut adalah membuat model untuk klasifikasi gaya belajar yang dibangun menggunakan supervised learning.
Tugas akhir ini membahas pembuatan model untuk klasifikasi multi label gaya belajar yang pada umumnya di Indonesia, yaitu gaya belajar Visual, Auditori, dan Kinestetik (VAK) dengan menggunakan metode supervised learning, antara lain k-Nearest Neighbours (k-NN), Support Vector Machine (SVM), dan Decision Trees (DTs). Data log yang digunakan merupakan data log mahasiswa kedokteran pada Learning Management System (LMS) Universitas Nairobi dengan spesifikasi data log standar LMS Universitas Nairobi. Proses pembuatan model yang dilakukan meliputi, praproses data log, pemilihan
x
fitur, pemisahan dataset, over-sampling, transformasi data, dan klasifikasi gaya belajar. Pengujian dilakukan dalam empat skenario, yaitu pengujian pemisahan dataset, pengujian parameter pada supervised learning, pengujian pada jenis dataset, dan pengujian over-
sampling pada data latih. Hasil uji coba optimal didapatkan pada model DTs dengan pengaturan parameter pengukuran kualitas split menjadi gini dengan akurasi sebesar 95,63% pada data latih yang dilakukan over-sampling.
=========================================================
The use of e-learning in educational institutions has been widely used as a medium that facilitates the learning process. In e-
learning various modules are available, one of them is log data. With the log data, it is possible to conduct data analysis that can produce useful knowledge for educators. One of them is the log data on e-learning is considered to be a preference in determining learning styles. But the problem is, e-learning has not provided a feature that manages student log data to find out its learning style. One solution to overcome this problem is to make a model for the classification of learning styles that are built using supervised learning. In this undergraduate thesis, a model for the classification of multi-label learning styles that are generally in Indonesia, namely Visual, Auditory, and Kinesthetic (VAK) learning styles using supervised learning methods, such as k-Nearest Neighbors (k-NN), Support Vector Machine (SVM), and Decision Trees (DTs). The log data used is the medical student log data at the University of Nairobi's Learning Management System (LMS) with the LMS University Nairobi standard log data specifications. The model making process includes data log preprocessing, feature selection, dataset separation, over-sampling, data transformation, and learning style classification.
xii
The test is carried out in four scenarios, namely the testing of dataset separation, testing parameters on supervised learning, testing on dataset types, and over-sampling testing on training data. Optimal test results are obtained with the DTs model with the criterion parameter setting being gini with an accuracy of 95.63% in the training data conducted over-sampling.

Item Type: Thesis (Other)
Additional Information: RSIf 006.32 Put k-1 • Putri, Safira Vanillia
Uncontrolled Keywords: Decision Trees, k-Nearest Neighbors, Log Data, Support Vector Machine, VAK Learning Style, Data log, Decision Trees, Gaya belajar VAK, k-Nearest Neighbors, Support Vector Machine
Subjects: T Technology > T Technology (General) > T57.5 Data Processing
Divisions: Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User: Safira Vanillia Putri
Date Deposited: 06 Aug 2020 09:00
Last Modified: 27 May 2023 04:34
URI: http://repository.its.ac.id/id/eprint/77108

Actions (login required)

View Item View Item