Pengembangan Model Machine Learning Guna Mendeteksi dan Meningkatkan Performa Pembelajaran Mahasiswa dalam Era Transformasi Digital

LEON DAVIN, Dr. Sri Suning Kusumawardani, S.T., M.T ; Ir. Lukito Edi Nugroho, M.Sc., Ph.D.

2022 | Skripsi | S1 TEKNOLOGI INFORMASI

Pada zaman ini, era transformasi digital terus berkembang terutama dalam bidang akademis yang berubah bentuk menjadi pembelajaran online. Namun, pembelajaran online masih disertai berbagai limitasi seperti hilangnya kemampuan untuk menilai pelajar secara kualitatif. Maka dari itu dibutuhkan sebuah sistem yang dapat menggantikan fungsi tersebut dalam lingkungan pembelajaran online. Penulis berencana menggunakan teknologi mesin pintar dengan menggunakan data interaksi pelajar dengan Learning Management System (LMS). Penulis akan mengolah data interaksi tersebut dan membuat sebuah model yang dapat melakukan prediksi nilai hasil akhir mahasiswa tanpa perlu menunggu selesainya tahun ajaran. Penulis akan melakukan uji korelasi serta uji multicollinearity untuk memilah atribut-atribut yang akan digunakan sebagai data latih model prediksi. Setelah memilah atribut, penulis akan melatih data pada berbagai algoritma machine learning dan algoritma deep learning dan membandingkan performa masing-masing algoritma. Penulis berhasil merancang dua buah model berbasis algoritma Random Forest Classifier dan Gradient Boosting Classifier yang mampu melakukan prediksi pada dua minggu sebelum ujian akhir semester terlaksana dan pada satu minggu setelah ujian tengah semester terlaksana. Kedua model memiliki tingkat akurasi > 98% dimana model sudah dapat mendeteksi mahasiswa yang diprediksi sebagai mahasiswa yang akan memiliki nilai akhir buruk. Kedua model yang terbentuk dibungkus dalam pustaka Flask yang disediakan oleh Python dan di deploy menjadi sebuah servis web yang dapat diakses oleh berbagai pihak melalui Heroku.

Pada zaman ini, era transformasi digital terus berkembang terutama dalam bidang akademis yang berubah bentuk menjadi pembelajaran online. Namun, pembelajaran online masih disertai berbagai limitasi seperti hilangnya kemampuan untuk menilai pelajar secara kualitatif. Maka dari itu dibutuhkan sebuah sistem yang dapat menggantikan fungsi tersebut dalam lingkungan pembelajaran online. Penulis berencana menggunakan teknologi mesin pintar dengan menggunakan data interaksi pelajar dengan Learning Management System (LMS). Penulis akan mengolah data interaksi tersebut dan membuat sebuah model yang dapat melakukan prediksi nilai hasil akhir mahasiswa tanpa perlu menunggu selesainya tahun ajaran. Penulis akan melakukan uji korelasi serta uji multicollinearity untuk memilah atribut-atribut yang akan digunakan sebagai data latih model prediksi. Setelah memilah atribut, penulis akan melatih data pada berbagai algoritma machine learning dan algoritma deep learning dan membandingkan performa masing-masing algoritma. Penulis berhasil merancang dua buah model berbasis algoritma Random Forest Classifier dan Gradient Boosting Classifier yang mampu melakukan prediksi pada dua minggu sebelum ujian akhir semester terlaksana dan pada satu minggu setelah ujian tengah semester terlaksana. Kedua model memiliki tingkat akurasi > 98% dimana model sudah dapat mendeteksi mahasiswa yang diprediksi sebagai mahasiswa yang akan memiliki nilai akhir buruk. Kedua model yang terbentuk dibungkus dalam pustaka Flask yang disediakan oleh Python dan di deploy menjadi sebuah servis web yang dapat diakses oleh berbagai pihak melalui Heroku.

Kata Kunci : Learning management system, student performance analysis, korelasi, multicollinearity, machine learning