MEDIAPUBLIKASIMEDIAPUBLIKASI

BULLET : Jurnal Multidisiplin IlmuBULLET : Jurnal Multidisiplin Ilmu

Perkembangan teknologi digital dalam dunia pendidikan mendorong pemanfaatan sistem manajemen pembelajaran (Learning Management System/LMS) sebagai media pembelajaran daring yang efektif. Penelitian ini bertujuan untuk mengembangkan model prediksi keberhasilan mahasiswa dalam LMS menggunakan algoritma machine learning. Keberhasilan mahasiswa diklasifikasikan berdasarkan parameter seperti tingkat partisipasi, frekuensi akses, hasil evaluasi, dan ketepatan waktu dalam mengumpulkan tugas. Berbagai algoritma machine learning seperti Decision Tree, Random Forest, Support Vector Machine, dan K-Nearest Neighbors digunakan untuk membangun model prediksi. Evaluasi performa model dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma Random Forest memberikan performa terbaik dengan akurasi mencapai 89%, diikuti oleh Support Vector Machine dan Decision Tree. Model yang dikembangkan diharapkan dapat membantu pengajar dan institusi pendidikan dalam mengidentifikasi mahasiswa yang berpotensi mengalami kesulitan belajar sejak dini, sehingga dapat diberikan intervensi yang tepat. Penelitian ini memberikan kontribusi dalam penerapan machine learning untuk mendukung proses pembelajaran adaptif dan peningkatan kualitas pendidikan berbasis data.

Penelitian ini menghasilkan model prediksi keberhasilan mahasiswa menggunakan algoritma machine learning yang terbukti efektif dalam mengklasifikasikan performa belajar berdasarkan data aktivitas di LMS.Dari empat algoritma yang diuji, Random Forest memberikan performa terbaik dengan akurasi mencapai 89%.Penerapan model ini dapat mendukung sistem pembelajaran yang lebih adaptif dan responsif, serta membantu institusi pendidikan dalam meningkatkan kualitas pembelajaran berbasis data.

Berdasarkan hasil penelitian ini, terdapat beberapa saran penelitian lanjutan yang dapat dilakukan untuk memperkuat dan memperluas manfaat dari model prediksi keberhasilan mahasiswa. Pertama, penelitian selanjutnya dapat mengeksplorasi penggunaan data tambahan dari sumber lain, seperti data demografis mahasiswa atau data kinerja akademik sebelumnya, untuk meningkatkan akurasi prediksi. Kedua, pengembangan model dapat difokuskan pada identifikasi faktor-faktor spesifik yang paling berpengaruh terhadap keberhasilan mahasiswa dalam LMS, sehingga intervensi yang diberikan dapat lebih tepat sasaran. Ketiga, penelitian dapat menginvestigasi efektivitas model dalam konteks mata kuliah atau program studi yang berbeda, serta mempertimbangkan faktor-faktor kontekstual yang dapat memengaruhi performa model.

Read online
File size230.47 KB
Pages6
DMCAReport

Related /

ads-block-test