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-Nearest neighbour, support vector 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 Neighbour memiliki tingkat akurasi 78% tertinggi dibandingkan dengan algoritma machine learning lainnya. Ini menunjukkan bahwa ada korelasi yang signifikan antara data
📖 افتح في inklap 🔗 DOI 📮 اطلب بحثاً