Eksplorasi Model VAK untuk Memprediksi Gaya Belajar Mahasiswa Berdasarkan Aktivitas Pembelajaran
Abstrak
Sistem pembelajaran adaptif bertujuan meningkatkan efektivitas proses pendidikan dengan menyesuaikan materi, metode, dan evaluasi pembelajaran terhadap karakteristik individual peserta didik. Salah satu aspek penting dalam pembelajaran adaptif adalah gaya belajar mahasiswa, yang umumnya diklasifikasikan ke dalam gaya Visual, Auditori, dan Kinestetik (VAK). Penelitian ini bertujuan menganalisis aktivitas mahasiswa dalam Virtual Learning Environment (VLE) untuk memprediksi gaya belajar dominan mereka serta merekomendasikan metode evaluasi yang paling sesuai.
Penelitian ini mengusulkan sebuah sistem terpadu berbasis machine learning dan semantic association yang mengaitkan aktivitas belajar mahasiswa dengan model VAK. Dataset yang digunakan adalah Open University Learning Analytics Dataset (OULAD). Berbagai algoritma klasifikasi diuji, termasuk Support Vector Machine (SVM), Random Forest, K-Nearest Neighbor (KNN), Logistic Regression, dan Naive Bayes. Hasil penelitian menunjukkan bahwa algoritma Random Forest memberikan performa terbaik dengan akurasi hingga 98%. Temuan ini membuktikan bahwa integrasi learning analytics dan machine learning mampu meningkatkan personalisasi pembelajaran dan efektivitas sistem pembelajaran daring.
1. Pendahuluan
Pembelajaran adaptif menjadi pendekatan yang semakin penting dalam pendidikan modern karena kemampuannya untuk menyesuaikan proses belajar dengan kebutuhan, kemampuan, dan gaya belajar individu. Dengan memanfaatkan teknologi digital dan analisis data, sistem pembelajaran adaptif mampu meningkatkan keterlibatan mahasiswa dan hasil belajar secara lebih adil dan personal.
Meskipun demikian, implementasi pembelajaran adaptif masih menghadapi sejumlah tantangan, antara lain kesulitan dalam mengidentifikasi gaya belajar mahasiswa secara akurat, keterbatasan standar evaluasi efektivitas sistem adaptif, serta isu privasi data dan potensi bias algoritma. Penelitian ini berupaya menjawab tantangan tersebut dengan mengembangkan model prediksi gaya belajar berbasis aktivitas mahasiswa dalam lingkungan pembelajaran daring.
2. Pembelajaran Adaptif dan Pemodelan Mahasiswa
2.1 Pembelajaran Adaptif
Pembelajaran adaptif adalah sistem pembelajaran berbasis teknologi yang secara dinamis menyesuaikan konten, jalur belajar, dan metode evaluasi berdasarkan data interaksi dan kinerja peserta didik. Sistem ini memungkinkan mahasiswa belajar sesuai kecepatan dan preferensi mereka, sekaligus mengurangi beban pengajar melalui otomatisasi umpan balik dan penilaian.
2.2 Pemodelan Mahasiswa
Pemodelan mahasiswa (student modelling) merupakan proses representasi karakteristik, perilaku, dan perkembangan belajar mahasiswa dalam suatu sistem. Pendekatan modern menggunakan machine learning, data mining, dan teknologi semantik untuk memodelkan perilaku mahasiswa secara dinamis berdasarkan data interaksi nyata, bukan hanya profil statis.
3. Model VAK dan Semantic Association
Model VAK mengelompokkan gaya belajar menjadi:
-
Visual: belajar melalui gambar, grafik, video, dan visualisasi.
-
Auditori: belajar melalui suara, diskusi, ceramah, dan podcast.
-
Kinestetik: belajar melalui praktik langsung, simulasi, dan aktivitas fisik.
Penelitian ini menggunakan semantic association untuk menghubungkan aktivitas pembelajaran dengan kategori VAK. Teknologi semantik seperti WordNet dan perhitungan semantic similarity digunakan untuk memetakan istilah aktivitas pembelajaran ke dalam gaya belajar yang sesuai. Pendekatan ini memungkinkan pemetaan yang lebih fleksibel dan bermakna dibandingkan pencocokan kata secara langsung.
4. Metodologi Penelitian
Penelitian ini terdiri dari beberapa tahapan utama:
-
Pengumpulan dan pra-pemrosesan data dari OULAD
-
Pemetaan aktivitas mahasiswa ke gaya belajar VAK menggunakan teknik semantik
-
Klasifikasi gaya belajar mahasiswa dengan algoritma machine learning
-
Rekomendasi materi dan metode evaluasi berdasarkan gaya belajar
-
Evaluasi performa model menggunakan metrik akurasi, presisi, recall, dan F1-score
Algoritma yang diuji meliputi SVM, Random Forest, KNN, Logistic Regression, dan Naive Bayes.
5. Hasil dan Pembahasan
Hasil eksperimen menunjukkan bahwa:
-
Random Forest memberikan performa terbaik dengan akurasi hingga 98%, presisi 97%, dan recall 99%.
-
SVM juga menunjukkan performa tinggi dengan akurasi sekitar 96%.
-
KNN memiliki performa paling rendah dibandingkan algoritma lainnya.
Model yang diusulkan mampu mengklasifikasikan gaya belajar mahasiswa secara akurat serta merekomendasikan metode evaluasi yang sesuai, seperti:
-
Evaluasi berbasis visual untuk pembelajar visual
-
Evaluasi lisan atau diskusi untuk pembelajar auditori
-
Evaluasi praktik atau simulasi untuk pembelajar kinestetik
Pendekatan ini terbukti meningkatkan relevansi evaluasi dan keterlibatan mahasiswa dalam proses pembelajaran.
6. Kesimpulan dan Rekomendasi
Penelitian ini membuktikan bahwa prediksi gaya belajar mahasiswa berbasis aktivitas VLE dapat dilakukan secara akurat menggunakan machine learning, khususnya algoritma Random Forest. Integrasi model VAK dengan semantic association dan learning analytics memungkinkan personalisasi pembelajaran dan evaluasi secara efektif.
Namun, penelitian ini masih memiliki keterbatasan, antara lain penggunaan satu sumber data VLE dan ketergantungan pada fitur aktivitas saja. Penelitian selanjutnya disarankan untuk:
-
Menguji model pada berbagai platform LMS
-
Menggabungkan data demografis dan survei gaya belajar
-
Mengembangkan model hibrida dengan teknik AI lanjutan
.png)
Tidak ada komentar:
Posting Komentar