Dosen Teknik Informatika Universitas Wahid Hasyim (Unwahas) Semarang Arief Hidayat M.Kom meraih gelar doktor pada Program Studi Doktor Sistem Informasi (DSI) Universitas Diponegoro (Undip) usai mempertahankan Disertasinya di Ruang Sidang Utama Gedung Sekolah Pascasarjana Undip pada Senin, 24 Juni 2024.
Dr. Arief Hidayat M.Kom melakukan penelitian disertasi dengan judul Model Deteksi Otomatis Gaya Belajar menggunakan K-Means dan Naive Bayes dengan Pendekatan Berbasis Literatur dan menjadi lulusan ke-6 pada DSI Undip.
Tim Penguji terdiri dari Prof. Ir. Mochamad Agung Wibowo MM., MSc., PhD. (Dekan Pascasarjana Undip), Prof. Dr. Rahmat Gernowo MSi (Kaprodi DSI Undip), Prof. Dr. Kusworo Adi Ssi., MT. (Promotor), Drs. Bayu Surarso MSc., PhD. (Co Promotor), Prof. Dr. Heri Sutanto Ssi., MSi., Fmed. (Penguji 1), Aghus Sofwan ST., MT., PhD. (Penguji 2), dan Prof. Dr. Eko Sediyono M.Kom. sebagai Penguji Eksternal dari UKSW Salatiga.
Hadir dalam kesempatan tersebut Rektor Unwahas Prof. Dr. H. Mudzakkir Ali MA, Wakil Rektor IV Prof. Helmy Purwanto ST., MT., Dekan Fakultas Teknik Dr. Sri Mulyo Bondan Respati ST., MT., serta para tamu undangan.
Menurut Dr. Arief Hidayat bahwa penelitian ini bertujuan mengembangkan model deteksi otomatis gaya belajar dengan pendekatan data driven dan pendekatan literature based, memetakan log aktifitas mahasiswa ke dalam gaya belajar FSLSM (Felder and Silverman Learning Style Model) menggunakan pendekatan literature-based. Mengelompokkan (clustering) aktifitas mahasiswa dengan K-Means yang dimodifikasi ke dalam kombinasi gaya belajar FSLSM. Melakukan klasifikasi dan membangun model gaya belajar dengan Naive Bayes.
“Kebaruan dari penelitian ini yaitu dengan menggabungkan algoritma k-means yang dimodifikasi, naive bayes, dan pendekatan literature – based untuk membangun sebuah model deteksi otomatis gaya belajar berdasarkan perilaku mahasiswa ketika mengakses Learning Management System (LMS),” Dr. Arief Hidayat.
“Model ini dapat digunakan untuk mengidentifikasi gaya belajar dengan menggunakan input data perilaku mahasiswa ketika mengakses LMS. Kelemahan dari data-driven yaitu sulit digunakan kembali di sistem lain karena sistem dan seluruh proses pembelajaran sangat berpasangan dan terintegrasi dapat ditutupi dengan literature-based yang dapat diterapkan untuk data yang dikumpulkan dari kursus apa pun, karena faktanya bahwa FSLSM dikembangkan untuk pembelajaran secara umum,” tambahnya.
Deteksi otomatis gaya belajar mahasiswa secara cepat dan akurat sangat diperlukan untuk dapat mengidentifikasi gaya belajar mahasiswa terhadap sebuah pembelajaran. Gaya belajar sangat menentukan motivasi dan kinerja belajar seorang mahasiswa. “Informasi tentang gaya belajar dapat juga menjadikan mahasiswa mengetahui gaya belajarnya dan bagi pengajar dapat menyediakan material pembelajaran yang sesuai dengan gaya belajar mahasiswa. Pendekatan yang sering digunakan dalam deteksi otomatis gaya belajar yaitu berdasarkan data (data-driven) dan berbasis literatur (literature-based),” ungkap Dr Arief Hidayat.
Penelitian ini diawali dengan mengekstrak log aktivitas mahasiswa dari database Learning Management System (LMS). Jenis aktivitas mahasiswa tersebut dipetakan dengan model gaya belajar Felder dan Silverman menggunakan pendekatan literature-based. Hasil pemetaan tersebut dijadikan masukan pada algoritma klustering K-mean yang dimodifikasi untuk mengelompokkan menjadi 16 kombinasi gaya belajar berdasarkan model gaya belajar Felder dan Silverman. Hasil klustering digunakan untuk pelabelan dari dataset log aktivitas mahasiswa tersebut yang dijadikan sebagai data latih dan data uji menggunakan algoritma Naïve Bayes (NB) untuk klasifikasi gaya belajar.
Hasil pengujian menggunakan nilai validitas matriks Davies Bouldin Index (DBI) menunjukkan modifikasi algoritma K-Means lebih baik yang ditunjukkan dengan nilai DBI=1,06, lebih rendah daripada K-Means asli yaitu 1,32. Hasil pengujian model deteksi otomatis gaya belajar menggunakan penggabungan algoritma NB dengan pendekatan berbasis literatur juga memiliki performa yang cukup tinggi yang ditunjukkan pada dimensi perception yang menghasilkan akurasi sebesar 83 persen yang mempunyai 7 pemetaan dengan aktivitas pembelajaran. Pada dimensi input menghasilkan akurasi sebesar 88 persen yang mempunyai 4 pemetaan dengan aktivitas pembelajaran. Pada dimensi processing menghasilkan akurasi 92 persen yang mempunyai 10 pemetaan dengan aktivitas pembelajaran, dan pada dimensi understanding menghasilkan akurasi sebesar 71 persen yang hanya mempunyai 2 pemetaan dengan aktivitas pembelajaran.
Hasil pengujian menunjukkan bahwa model deteksi otomatis gaya belajar yang dikembangkan dengan menggabungkan algoritma K-Means dan NB dengan pendekatan berbasis literatur bekerja sangat baik. Semakin banyak aktivitas pembelajaran akan memperbanyak feature relevan dan semakin meningkatkan akurasi.
