Adaptive E-Learning System Berbasis Vark Learning Style dengan Klasifikasi Materi Pembelajaran Menggunakan K-NN (K-Nearest Neighbor)

Akmal Agung Nugraha; Utomo Budiyanto

doi:10.33050/tmj.v7i2.1900

Penulis

Akmal Agung Nugraha Magister Ilmu Komputer Universitas Budi Luhur, DKI Jakarta
Utomo Budiyanto Universitas Budi Luhur

DOI:

https://doi.org/10.33050/tmj.v7i2.1900

Abstrak

Penelitian ini tentang Adaptive E-Learning System Berbasis VARK (Visual, Aural, Read/Write & Kinesthetic) Learning Style Dengan Klasifikasi Materi Pembelajaran Menggunakan K-NN (K-Nearest Neighbor). Dunia pendidikan saat ini harus mengikuti perkembangan teknologi, salah satunya dengan memanfaatkan pembelajaran dengan menggunakan e-learning, salah satu kekurangan dalam e-learning yang ada pada saat ini sebagian besar memberikan materi yang sama kepada semua siswa, pada kenyataannya setiap siswa mempunyai gaya belajar yang berbeda-beda dalam menyerap materi pembelajaran. Adaptive E-Learning System ini mengadopsi VARK Learning Style dalam mengelompokkan gaya belajar siswa ke dalam empat kelas (Visual, Aural, Read/Write & Kinesthetic). Pada awal menggunakan e-learning siswa diharuskan mengisi questioner berdasarkan instrumen VARK dan akan dimasukkan ke salah satu dari empat kelas tersebut sesuai kecenderungan gaya belajarnya. Siswa akan mendapatkan materi sesuai dengan kelasnya dengan metode klasifikasi K-NN (K-Nearest Neighbor). Pada penelitian ini klasifikasi materi pembelajaran menggunakan 60 materi pembelajaran sebagai dataset dengan label visual, aural, read/write & kinesthetic, dengan pembagian 48 data training dan 12 data testing mendapatkan akurasi sebesar 91%, presisi sebesar 93% dan recall sebesar 91%

Referensi

F. Agustin, F. P. Oganda, N. Lutfiani, and E. P. Harahap, “Manajemen Pembelajaran Daring Menggunakan Education Smart Courses,” Technomedia Journal, vol. 5, no. 1 Agustus, pp. 40–53, 2020.

B. Widharyanto, “Gaya Belajar Model VARK dan Implementasinya dalam Pembelajaran Keterampilan Berbahasa Indonesia,” International Communication Through Language, Literature, and Arts, pp. 69–84, 2017.

K. Agustini, “The adaptive Elearning system design: Student learning style trend analysis,” in 2nd International Conference on Innovative Research Across Disciplines (ICIRAD 2017), 2017, pp. 50–54.

Z. S. Puranti, W. Yuwono, and R. Asmara, “Monitoring Proyek Akhir Mahasiswa Berbasis Android Pada Sistem Informasi Manajemen PENS,” Technomedia Journal, vol. 6, no. 2, pp. 138–151, 2022.

D. I. Brahmantio and Y. Anistyasari, “Studi Literatur Pengaruh Gaya Belajar Terhadap E-Learning Adaptive Berbasis Web,” IT-Edu: Jurnal Information Technology and Education, vol. 5, no. 01, pp. 362–370, 2020.

A. Rahman and U. Budivanto, “Case based reasoning adaptive e-learning system based on visual-auditory-kinesthetic learning styles,” in 2019 6th International Conference on Electrical Engineering, Computer Science and Informatics (EECSI), 2019, pp. 177–182.

T. Mayarnimar, “Validity Analysis Of The Vark (Visual, Auditory, Readwrite, And Kinesthetic) Model–Based Basic Reading And Writing Instructional Materials For The 1st Grade Students Of Elementary School,” Lecturers of Primary School Teacher Education, the Faculty of Education, State University of Padang, 2017.

Mayarnimar and Taufina, “VALIDITY ANALYSIS OF THE VARK (VISUAL, AUDITORY, READ-WRITE, AND KINESTHETIC) MODEL-BASED BASIC READING AND WRITING INSTRUCTIONAL MATERIALS FOR THE 1ST GRADE STUDENTS OF ELEMENTARY SCHOOL,” 2017.

A. Damuri, “Pengembangan Model E-Learning Adaptif Untuk Materi Pembelajaran Jaringan Komputer Pada Amik Almuslim Bekasi”.

A. Baita, Y. Pristyanto, and I. Pratama, “Perbandingan Algoritme Klasifikasi Untuk Prediksi Kinerja Siswa Di Kelas,” INFOS Journal-Information System Journal, vol. 1, no. 4, pp. 1–4, 2019.

D. H. Binawan and P. P. A. Indriati, “Klasifikasi Dokumen Abstrak Skripsi Berdasarkan Fokus Penelitian di Bidang Komputasi Cerdas Menggunakan BM25 dan K-Nearest Neighbor,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN, vol. 2548, p. 964X, 2019.

R. Samuel, R. Natan, F. Fitria, and U. Syafiqoh, “Penerapan Cosine Similarity dan K-Nearest Neighbor (K-NN) pada Klasifikasi dan Pencarian Buku,” Journal of Big Data Analytic and Artificial Intelligence, vol. 4, no. 1, pp. 9–14, 2018.

“Kuesioner VARK | VARK.” https://vark-learn.com/kuesioner-vark/ (accessed Sep. 20, 2022).

“Panduan VARK | VARK.” https://vark-learn.com/panduan-vark/ (accessed Sep. 20, 2022).

Y. Findawati and M. A. Rosid, “Buku Ajar Text Mining,” Umsida Press, pp. 1–123, 2020.

N. H. A. Sari, M. A. Fauzi, and P. P. Adikara, “Klasifikasi Dokumen Sambat Online Menggunakan Metode K-Nearest Neighbor dan Features Selection Berbasis Categorical Proportional Difference,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN, vol. 2548, p. 964X, 2018.

A. Y. Muniar, P. Pasnur, and K. R. Lestari, “Penerapan Algoritma K-Nearest Neighbor pada Pengklasifikasian Dokumen Berita Online,” Inspiration: Jurnal Teknologi Informasi dan Komunikasi, vol. 10, no. 2, pp. 137–144, 2020.

H. S. Hopipah and R. Mayasari, “Optimasi Backward Elimination untuk Klasifikasi Kepuasan Pelanggan Menggunakan Algoritme k-nearest neighbor (k-NN) and Naive Bayes,” Technomedia Journal, vol. 6, no. 1, pp. 99–110, 2021.

D. Zagulova, V. Boltunova, S. Katalnikova, N. Prokofyeva, and K. Synytsya, “Personalized E-Learning: Relation Between Felder– Silverman Model and Academic Performance,” Applied Computer Systems, vol. 24, no. 1, pp. 25–31, May 2019, doi: 10.2478/acss-2019-0004.

R. Setiadi, C. Suhery, and R. Hidayati, “SISTEM PENDUKUNG KEPUTUSAN EVALUASI PEMILIHAN PEMENANG DALAM PELELANGAN PENGADAAN ASET JALAN DAN JEMBATAN MENGGUNAKAN METODE WEIGHTED PRODUCT (WP) BERBASIS WEB (Studi Kasus: Dinas Pekerjaan Umum Provinsi Kalimantan Barat),” Coding Jurnal Komputer dan Aplikasi, vol. 7, no. 03.

H. P. Hadi and T. S. Sukamto, “Klasifikasi Jenis Laporan Masyarakat Dengan K-Nearest Neighbor Algorithm,” JOINS (Journal Inf. Syst., vol. 5, no. 1, pp. 77–85, 2020, doi: 10.33633/joins. v5i1. 3355, 2020.