Metode Penilaian Aliran Klik Yang Sesuai Dengan Memprediksi Gaya Belajar Siswa

AISYA BRILIANTI RIZKY

Metode penelitian aliran klik yang sesuai dengan memprediksi gaya belajar siswa 

ABSTRAK

Pembelajaran adaptif Pembelajaran mesin Klasifikasi Gaya belajar    Pembelajaran adaptif, yang bertujuan untuk memberikan setiap pembelajar pengalaman belajar yang menarik dan efektif, merupakan salah satu metode untuk menawarkan pendidikan yang dimodifikasi. Pembelajaran adaptif berupaya mempertimbangkan karakteristik unik siswa dengan mempersonalisasi materi kursus pembelajaran dan prosedur evaluasi. Untuk menentukan strategi pembelajaran yang disukai siswa, pertama-tama kami memastikan atribut mereka dengan memanfaatkan gaya belajar VAK. Dalam studi ini, kami mengembangkan model terintegrasi untuk mengklasifikasikan pembelajar berdasarkan klik aktivitas pembelajaran mereka dengan menggabungkan algoritma pembelajaran mesin seperti K-Nearest Neighbor (KNN), random forest (RF), dan support vector machine (SVM) dan regresi logistik (LR) dengan asosiasi semantik, yang digunakan untuk membantu kami memetakan aktivitas pembelajaran dengan gaya belajar VAK. 

    Hal ini memungkinkan kami untuk mengklasifikasikan pembelajar, menentukan metode pembelajaran yang mereka sukai, dan menawarkan yang paling sesuai; sebagai hasilnya, kami dapat mengelompokkan murid menurut gaya belajar mereka dan memberikan teknik atau strategi evaluasi terbaik. Untuk menilai efektivitas model yang disarankan, beberapa pengujian dilakukan pada kumpulan data aktual (Open University Learning Analytics Dataset, atau OULAD). Menurut penelitian, dengan menggunakan algoritma Random Forest, model yang disarankan dapat memprediksi strategi evaluasi mana yang paling efektif untuk setiap siswa dan dapat mengklasifikasikan individu dengan tingkat akurasi tertinggi—98%.

1. Pendahuluan

    Perkembangan sistem pendidikan karena kemajuan Teknologi Informasi, khususnya Internet, menciptakan prospek untuk meningkatkan layanan informasi yang diberikan oleh lembaga pendidikan. E-learning merupakan metode pendidikan yang melibatkan perangkat teknologi. Salah satu keterampilan e-learning adalah Learning Management System (LMS). Mahasiswa dapat memasukkan data kuliah, papan diskusi dan ruang obrolan serta mengakses tugas kuliah yang diberikan oleh dosen. Melalui Sistem Manajemen Pembelajaran. Sistem manajemen pembelajaran populer yang sekarang digunakan adalah Moodle. Keterampilan dan tindakan siswa selama pembelajaran daring dapat direkam oleh Moodle dan disimpan dalam log Moodle.

    Permasalahan pada e-learning adalah mahasiswa kurang terlibat dan lebih sering meninggalkan kelas, oleh karena itu perlu dipahami preferensi mahasiswa dalam proses pembelajaran dengan mempertimbangkan gaya belajar masing-masing mahasiswa. Dimana terdapat tingkat pengetahuan yang berbeda di antara siswa selama proses belajar. Konsep gaya belajar adalah cara siswa memilih untuk belajar secara efisien. Siswa akan memahami keinginan mereka selama proses belajar jika mereka terbiasa dengan metode belajar favorit mereka. Karena Moodle tidak dapat mendeteksi preferensi belajar siswa secara otomatis. Perilaku siswa harus dianalisis berdasarkan seberapa sering mereka mengakses e-learning di Moodle, dan menyelesaikan kuesioner tentang gaya belajar diperlukan untuk menentukan gaya belajar terbaik bagi setiap siswa.

     Siswa dapat mengakses kuliah video dan sumber daya pendidikan di platform MOOC terkemuka. Selain berhasil menyelesaikan kursus, siswa juga akan diberikan sertifikat. Platform MOOC memastikan bahwa materi bebas dari kesalahan tata bahasa, tanda baca, dan ejaan. Meskipun MOOC sangat populer, tingkat putus sekolah yang tinggi dan ukuran kinerja yang buruk membuat frustrasi, karena kurang dari 13% siswa Akibatnya, faktor- faktor yang berkontribusi signifikan terhadap kurangnya minat siswa terhadap mata kuliah adalah kurangnya partisipasi dan kesulitan dalam melacak sumber daya dan kegiatan untuk penilaian.

2. Gaya belajar

    Sejak beberapa dekade lalu, personalisasi telah menjadi fitur komputasi, dan semua sistem saat ini memberikan pengalaman yang dipersonalisasi kepada pengguna. Dari pelatihan dan ujian terprogram langsung hingga lingkungan virtual yang dapat disesuaikan, sistem e-learning telah berkembang secara signifikan. Komputer belajar dari data, sementara manusia belajar melalui kejadian dan pengalaman. Pembelajaran mesin mencakup tiga jenis algoritma pembelajaran: diawasi, tidak diawasi, dan penguatan.

3. Pembelajaran mesin

   Prediksi dan klasifikasi melibatkan model dan algoritma pembelajaran mesin. Pembelajaran mesin adalah konvergensi statistik dan ilmu komputer, di mana mesin belajar untuk meningkatkan kinerja dari pengalaman sebelumnya, sama seperti manusia. 

4. Pekerjaan terkait

   Di dalam, untuk memverifikasi pengaruh keterlibatan pada kinerja murid, algoritma pembelajaran mesin (ML) digunakan dalam penelitian ini untuk mendeteksi pelajar dengan keterlibatan rendah di kelas ilmu sosial di Universitas Terbuka (OU)., Tingkat pendidikan tertinggi, hasil, skor penilaian, dan jumlah klik pada aktivitas lingkungan belajar virtual (VLE), seperti glosarium, beranda, forum, kolaborasi, konten, sumber daya, subhalaman, data plus, dan URL selama penilaian mata kuliah pertama, termasuk di antara variabel masukan penelitian. 

5. Pemodelan siswa

    Memprediksi perilaku siswa dalam situasi belajar bisa jadi sulit. Dimulai dengan data OULAD mentah, langkah penyiapan data menghasilkan kumpulan data yang disempurnakan dan dipadatkan yang digunakan untuk membuat model prediksi. Teknik klasifikasi yang digunakan dalam pekerjaan ini adalah KNN, Random Forest, dan Decision Tree. Penerapan teknik klasifikasi ini menghasilkan pemilihannya.

6. Pertanyaan penelitian

   Dalam penelitian ini, untuk memprediksi gaya belajar siswa dalam lingkungan pembelajaran virtual, kami membandingkan berbagai pendekatan pembelajaran mesin. Instruktur dapat menggunakan hasil untuk prediksi dan akurasi model kami pada tahap awal dalam mempelajari siswa untuk kursus tersebut. 

7. Metodologi

    Metodologi yang disarankan untuk memberi saran kepada siswa tentang gaya belajar yang sesuai dan strategi evaluasi berdasarkan preferensi belajar mereka.

8. Hasil percobaan

    Pada bagian ini, kami akan menunjukkan konten himpunan data dan langkah￾langkah praproses data oleh model kami untuk menyiapkan himpunan data dengan proses pemetaan, lalu membahas hasil eksperimen.

9. Metode penilaian yang direkomendasikan

Setiap jenis gaya belajar VAK dikaitkan dengan teknik evaluasi yang dapat ditingkatkan oleh siswa. Pada tahap ini, jenis pendekatan penilaian disarankan berdasarkan gaya belajar siswa. Ia menyatakan bahwa metode penilaian gaya belajar VAK diterapkan, dengan siswa auditori lebih menyukai teknik evaluasi subjektif. Siswa visual lebih menyukai teknik penilaian subjektif daripada siswa kinestetik yang lebih menyukai teknik penilaian objektif. Pertanyaan esai panjang dan studi kasus adalah dua metode penilaian yang dapat diklasifikasikan sebagai jenis penilaian yang dinilai oleh tutor (TMA) tetapi tidak memiliki jawaban yang benar atau salah.

10. Kesimpulan dan pekerjaan masa depan Mohamed:Konseptualisasi, Metodologi, Validasi, Penulisan – draf asli.

    Menggunakan model siswa dan prediksi jenis pembelajaran, penelitian ini terdeteksilatihan yang menggunakan ed mengidentifikasi menciptakan pendekatan yang adaptif untuk ide evaluasi berdasarkan gaya belajar. Contoh pembelajaran mahasiswa berikut, inovasi pembelajaran semantik maupun pembelajaran mesin, memungkinkan penggambaran gaya belajar VAK mahasiswa.