IVETIVET

Joined Journal (Journal of Informatics Education)Joined Journal (Journal of Informatics Education)

Penelitian ini bertujuan untuk merancang sistem rekomendasi pembelajaran berbasis data yang dapat memberikan rekomendasi materi pembelajaran relevan bagi siswa berdasarkan kinerja akademik mereka yang menggunakan algoritma machine learning. Sistem rekomendasi ini bergantung pada data akademik seperti nilai ujian, kehadiran, partisipasi kelas, dan interaksi dengan materi pembelajaran untuk memberikan saran yang disesuaikan dengan kebutuhan siswa. Selain itu, penelitian ini mengadopsi perspektif budaya transnasional, mempertimbangkan perbedaan budaya dan kurikulum di berbagai wilayah untuk memastikan rekomendasi tetap kontekstual bagi pembelajar dari latar belakang yang beragam. Dalam penelitian ini, berbagai model machine learning, seperti K-Nearest Neighbors (KNN), Support Vector Machine (SVM), dan Neural Networks, dievaluasi untuk menentukan efektivitasnya dalam menganalisis kinerja akademik dan memberikan rekomendasi yang sesuai. Hasil evaluasi menunjukkan bahwa model Neural Networks memberikan akurasi terbaik, diikuti oleh Decision Tree dan SVM. Sistem rekomendasi yang dikembangkan ini dapat membantu pendidik dalam menyampaikan materi yang lebih sesuai berdasarkan kebutuhan dan kekuatan individu siswa, yang diharapkan dapat meningkatkan kualitas pembelajaran dan hasil akademik.

Penelitian ini berhasil mengembangkan sistem rekomendasi berbasis machine learning yang dapat menganalisis data kinerja akademik siswa untuk memberikan rekomendasi materi pembelajaran yang lebih personal.Hasil evaluasi menunjukkan bahwa model Neural Networks memberikan performa terbaik dalam hal akurasi dan keseimbangan antara precision dan recall.Sistem ini dapat memanfaatkan data akademik yang ada, seperti nilai ujian, kehadiran, dan interaksi siswa dengan materi, untuk memberikan rekomendasi yang disesuaikan dengan karakteristik masing-masing siswa.

Berdasarkan hasil penelitian ini, terdapat beberapa saran penelitian lanjutan yang dapat dilakukan untuk mengembangkan sistem rekomendasi pembelajaran lebih lanjut. Pertama, perlu dilakukan eksplorasi terhadap fitur-fitur tambahan yang dapat memengaruhi kinerja akademik siswa, seperti gaya belajar, minat, dan latar belakang sosial-ekonomi. Dengan mengintegrasikan fitur-fitur ini, sistem rekomendasi dapat memberikan rekomendasi yang lebih personal dan relevan. Kedua, penelitian selanjutnya dapat fokus pada pengembangan model machine learning yang lebih canggih, seperti deep learning dengan arsitektur yang lebih kompleks, untuk menangkap pola-pola tersembunyi dalam data akademik siswa. Hal ini dapat meningkatkan akurasi dan efektivitas sistem rekomendasi dalam memberikan saran yang tepat. Ketiga, penting untuk melakukan validasi sistem rekomendasi pada berbagai konteks pendidikan yang berbeda, seperti jenjang pendidikan, mata pelajaran, dan karakteristik siswa yang beragam. Dengan melakukan validasi lintas konteks, dapat dipastikan bahwa sistem rekomendasi dapat diimplementasikan secara efektif dan memberikan manfaat yang optimal bagi semua siswa.

  1. #efektivitas sistem#efektivitas sistem
  2. #analisis sentimen#analisis sentimen
Read online
File size370.4 KB
Pages10
Short Linkhttps://juris.id/p-3hx
Lookup LinksGoogle ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu, OpenAlexOpenAlex, Hollis HarvardHollis Harvard
DMCAReport

Related /

ads-block-test