Model machine learning untuk klasifikasi

Gaya Belajar Online

Promotor : Prof. Dr. Ir. Harjanto Prabowo, M.M.

Ko Promotor 1 : Dr. Ford Lumban Gaol, S.Si., M.Kom.
Ko Promotor 2 : Drs. Gatot Fatwanto Hertono, M.Sc., Ph.D.

Mahasiswa : Jeffri Prayitno Bangkit Saputra

NIM : 2340004412

1
 Latar Belakang

1. 91% perguruan tinggi di dunia mengganti model pembelajaran offline dengan model
pembelajaran daring. (UNESCO, 2020)
2. Meskipun masa pandemi telah berlalu, model pembelajaran daring akan terus
berlanjut dikarenakan faktor manfaat yang dirasakan dari konsep pembelajaran ini
sangat besar (Gunawan, I., Hui, L. K., Ma’sum, M. A., et al. (2020)
3. Beberapa penelitian terdahulu juga meneliti keterlibatan pembelajaran daring,
namun masih sebatas keterlibatan perilaku saja, belum memperhatikan keterlibatan
emosional dan kognitif sebagai anteseden signifikan dalam keterlibatan
pembelajaran daring (Zhu, M., Sari, A., & Lee, M. M.,2018)
4. Menurut Komisi Perlindungan Anak Indonesia (KPAI), dampak negatif yang dirasakan
pelajar dari pembelajaran jarak jauh adalah timbulnya perasaan bosan, kesepian,
stres, bahkan depresi berujung bunuh diri (Wijaya, 2021)
2
 Latar Belakang
1. Skomorovsky dan Sudom (2011) menyatakan bahwa salah satu faktor penting dalam
menghadapi keadaan yang menekan adalah kepribadian yang dimiliki.
2. Menurut Kobasa (dalam Kreitner & Kinicki, 2015) hardiness adalah salah satu
karakteristik kepribadian dalam menghadapi stres.
3. Santrock (2012) menyatakan hardiness adalah gaya kepribadian dengan
karakteristik komitmen, pengendalian, dan mempersepsikan suatu masalah sebagai
tantangan. Adapun aspek hardiness.
4. Menurut Kobasa (dalam Kreitner & Kinicki, 2015) mencakup aspek komitmen,
kontrol, dan tantangan.

3
Kebanjiran Data tapi Miskin Pengetahuan

We are drowning in data,

but starving for knowledge!
(John Naisbitt, Megatrends, 1988)

4
 Mengubah Data Menjadi Pengetahuan
• Data harus kita olah menjadi pengetahuan
supaya bisa bermanfaat bagi manusia

• Dengan pengetahuan
tersebut, manusia dapat:
– Melakukan estimasi dan prediksi
apa yang terjadi di depan
– Melakukan analisis tentang asosiasi, korelasi
dan pengelompokan antar data dan atribut
– Membantu pengambilan keputusan dan
pembuatan kebijakan
5
 RISET DATA MINING

Educational Social Media Healthcare

Data Mining Data Mining Data Mining

Multimedia Geographic
Data Mining Data Mining
EDUCATIONAL DATA
MINING
1. Predicting performance and
characteristics
2. Detecting undesirable student behaviour
3. Profiling and Grouping students
4. Social Network Analysis
5. Providing reports
6. Creating alerts for stakeholders
7. Planning and scheduling
8. Constructing courseware
9.Developing Concept Maps
10.Generating recommendation
11.Evaluation
12.Adaptive systems
13.Scientific inquiry
Model gaya belajar

Felder-Silverman (FSLSM)

• aktif-reflektif,
• penginderaan-intuitif,
• sekuensial-global,
• visual-verbal.
 PROSES DATA
MINING

1. Himpunan 2. Metode 3. Pengetahuan 4. Evaluation

Data Data Mining
(Pahami dan (Pilih Metode (Pahami Model dan (Analisis Model dan
Persiapkan Data) Sesuai Karakter Data) Pengetahuan yg Sesuai ) Kinerja Metode)

DATA PREPROCESSING MODELING MODEL KINERJA

Data Cleaning Estimation Formula Akurasi
Data Integration Prediction Tree Tingkat Error
Data Reduction Classification Cluster Jumlah Cluster
Data Transformation Clustering Rule MODEL
Association Correlation Atribute/Faktor
Korelasi
Bobot
 Metode Data Mining
1. Estimation (Estimasi):
Linear Regression (LR), Neural Network (NN), Deep Learning (DL),
Support Vector Machine (SVM), Generalized Linear Model (GLM), etc
2. Forecasting (Prediksi/Peramalan):
Linear Regression (LR), Neural Network (NN), Deep Learning (DL),
Support Vector Machine (SVM), Generalized Linear Model (GLM), etc
3. Classification (Klasifikasi):
Decision Tree (CART, ID3, C4.5, Credal DT, Credal C4.5, Adaptative
Credal C4.5), Naive Bayes (NB), K-Nearest Neighbor (kNN), Linear
Discriminant Analysis (LDA), Logistic Regression (LogR), etc
4. Clustering (Klastering):
K-Means, K-Medoids, Self-Organizing Map (SOM), Fuzzy C-Means
(FCM), etc
5. Association (Asosiasi):
FP-Growth, A Priori, Coefficient of Correlation, Chi Square, etc
10
 Pengetahuan (Pola/Model)
1. Formula/Function (Rumus atau Fungsi Regresi)
– WAKTU TEMPUH = 0.48 + 0.6 JARAK + 0.34 LAMPU + 0.2 PESANAN

2. Decision Tree (Pohon Keputusan)

3. Tingkat Korelasi

4. Rule (Aturan)
– IF ips3=2.8 THEN lulustepatwaktu

5. Cluster (Klaster)
11
 Evaluasi (Akurasi, Error, etc)
1. Estimation:
Error: Root Mean Square Error (RMSE), MSE, MAPE, etc
2. Prediction/Forecasting (Prediksi/Peramalan):
Error: Root Mean Square Error (RMSE) , MSE, MAPE, etc
3. Classification:
Confusion Matrix: Accuracy
ROC Curve: Area Under Curve (AUC)
4. Clustering:
Internal Evaluation: Davies–Bouldin index, Dunn index,
External Evaluation: Rand measure, F-measure, Jaccard index,
Fowlkes–Mallows index, Confusion matrix
5. Association:
Lift Charts: Lift Ratio
12
 Kategorisasi Algoritma Data Mining

Supervised Semi-
Supervis Unsupervised
Learning ed
Learning Learning

Association based
Learning
13
 Supervised Learning

• Pembelajaran dengan guru, data set memiliki

target/label/class
• Sebagian besar algoritma data mining (estimation,
prediction/forecasting, classification) adalah
supervised learning
• Algoritma melakukan proses belajar berdasarkan
nilai dari variabel target yang terasosiasi dengan
nilai dari variable prediktor

14
 Kerangka Pikir

Academic
Hardiness

15
 RESEARCH QUESTION
1. Bagaimana model klasifikasi gaya belajar
online?

2. Bagaimana model klasterisasi dari gaya

belajar online?

3. Bagaimana prediksi gaya belajar online jika

dikaitkan dengan faktor ketahanan akademik?
 TUJUAN PENELITIAN
1. Membangun model klasifikasi gaya belajar online.

2. Membangun model klasterisasi dari gaya belajar online.

3. Melakukan prediksi gaya belajar online jika dikaitkan

dengan faktor ketahanan akademik.
 MANFAAT PENELITIAN
Aspek teoritis:
Terciptanya sebuah model klasifikasi, klasterisasi dan model deteksi gaya
belajar online yang dikaitkan dengan factor ketahanan akademik.

Aspek praktis:
a) Terciptanya hasil pengukuran klasifikasi, klasterisasi gaya belajar
online.
b) Tersedia model deteksi gaya belajar online.
PENELITIAN SEBELUMNYA
author
Title Year Citations

GRL-LS: A learning style detection in online education using graph representation learning Hafsa Kabir Ahmad 2022 2

An Approach for Non-deterministic and Automatic Detection of Learning Styles with Deep Belief Net Marcel Fouda Ndjodo 2021 0

Design and Implementation of an EEG-Based Learning-Style Recognition Mechanism Yang Shi 2021 5

Learning style detection in E-learning systems using machine learning techniques A. Wahid 2021 28

Automatic Detection of Learning Styles: A Decade Review on Data-driven Approaches Z. Zainol 2021 0

Learning preference: development in smart learning environments Hao Li 2021 1

Automatic prediction of learning styles in learning management systems: a literature review Muazzam Ahmed AbdAlsamei Siddiqu 2020 0

Enhanced Performance of the Automatic Learning Style Detection Model using a Combination of
Herman Dwi Surjono 2020 4
Modified K-Means Algorithm and Naive Bayesian

Performance Comparison of Convolutional and Multiclass Neural Network for Learning Style
Desmond Bala Bisandu 2018 0
Detection from Facial Images

Detecting Learning Styles in Learning Management Systems Using Data Mining

M. P. P. Liyanage, K. Gunawardena, M. Hirakawa 2016 47
PENELITIAN SEBELUMNYA

Title Last Year Citations

A learning style classification mechanism for e-learning C. Chiu 2009 171

Supporting Teachers in Identifying Students' Learning Styles in Learning Management Systems:
Tzu-Chien Liu 2009 254
An Automatic Student Modelling Approach
Automatic detection of learning styles for an e-learning system G. Akar 2009 182
Identifying Learning Styles in Learning Management Systems by Using Indications from
Tzu-Chien Liu 2008 189
Students' Behaviour

Evaluating Bayesian networks' precision for detecting students' learning styles M. Campo 2007 438

Learning Styles Diagnosis Based on User Interface Behaviors for the Customization of Learning
Jee-Hyong Lee 2006 194
Interfaces in an Intelligent Tutoring System
Applications, Reliability and Validity of the Index of Learning Styles* J. Spurlin 2005 1325
Enhancing student learning through hypermedia courseware and incorporation of student
W. D. Lane 1999 433
learning styles
Learning and Teaching Styles in Engineering Education. L. Silverman 1988 5356

Experiential Learning: Experience as the Source of Learning and Development D. Kolb 1983 27523
Grafis
NOVELTY – USULAN KERANGKA KERJA
 Metode Penelitian

• Pendekatan kuantitatif
• Data dikumpulkan menggunakan kuisioner
• Metode Data Mining Classification (Klasifikasi):
Decision Tree (CART, ID3, C4.5, Credal DT, Credal C4.5, Adaptative Credal
C4.5), Naive Bayes (NB), K-Nearest Neighbor (kNN), Linear Discriminant
Analysis (LDA), Logistic Regression (LogR)
• Evaluasi Classification:
Confusion Matrix: Accuracy
ROC Curve: Area Under Curve (AUC)

23