n 100 Progresif: Jurnal Ilmiah Komputer Jl.
Ahmad Yani.
33,5 - Kampus STMIK Banjarbaru Loktabat Ae Banjarbaru (Tlp.
, e-mail: puslit.
stmikbjb@gmail.
e-ISSN: 2685-0877 p-ISSN: 0216-3284 Analisis Performa Siswa dalam E-Learning I Made Surya Kumara1*.
Kannan Nataraj2.
Ni Putu Widya Yuniari3.
Jauzaa Maylia Suhendro4.
I Gusti Agung Made Yoga Mahaputra5.
Depandi Enda6 1,3Teknik Komputer.
Universitas Warmadewa.
Bali.
Indonesia 2Graduate Institute of Network Learning Technology.
National Central University.
Taoyuan.
Taiwan 4Sistem Informasi.
Primakara University.
Bali.
Indonesia 5Teknik Otomasi.
Politeknik Negeri Bali.
Bali.
Indonesia 6Rekayasa Perangkat Lunak.
Politeknik Negeri Bengkalis.
Riau.
Indonesia *e-mail Corresponding Author: suryakumara@warmadewa.
Abstract E-Learning has revolutionized education.
however, there remains a gap in understanding which engagement factors most significantly impact academic performance.
Previous research has often focused on participation metrics without quantitatively assessing their effects.
This study employs a data-driven approach using Python to analyze student activity.
By applying correlation analysis and multiple linear regression, this research identifies the key factors influencing students' final scores.
The findings reveal that pre-test scores ( = 0.
and online quiz completion ( = 14.
are the strongest predictors of final scores (RA = 0.
MAE = 11.
emphasizing the importance of prior knowledge and active engagement in formative Conversely, assignment submission ( = -0.
and video viewing ( = -0.
exhibit weak or negative correlations, highlighting the limitations of passive learning.
Therefore, increasing quiz-based assessments and structuring assignments to focus on problem-solving through discussions is recommended.
Additionally, an adaptive learning model based on pre-test performance could enhance studentsAo academic outcomes.
Keywords: Student performance.
E-Learning.
Python.
Data analysis.
Linear regression Abstrak E-Learning telah merevolusi pendidikan, tetapi masih terdapat kesenjangan dalam memahami faktor keterlibatan mana yang paling berpengaruh terhadap kinerja akademik.
Penelitian sebelumnya sering berfokus pada metrik partisipasi tanpa mengukur dampaknya secara Studi ini menerapkan pendekatan berbasis data menggunakan Python untuk menganalisis aktivitas mahasiswa.
Dengan menggunakan analisis korelasi dan regresi linier berganda, penelitian ini mengidentifikasi faktor-faktor utama yang mempengaruhi skor akhir Hasil menunjukkan bahwa nilai pre-test ( = 0,.
dan penyelesaian kuis online ( = 14,.
adalah prediktor terkuat dari skor akhir (RA = 0,63.
MAE = 11,.
, menekankan pentingnya pengetahuan awal dan keterlibatan aktif dalam asesmen formatif.
Sebaliknya, pengumpulan tugas ( = -0,.
dan penayangan video ( = -0,.
menunjukkan korelasi yang lemah atau negatif, menyoroti keterbatasan pembelajaran pasif.
Oleh karena itu, asesmen kuis perlu diperbanyak, dan tugas lebih diarahkan pada pemecahan masalah berbasis diskusi.
Model pembelajaran adaptif berbasis pre-test dapat meningkatkan efektivitas akademik mahasiswa.
Kata Kunci: Performa siswa.
E-Learning.
Python.
Analisis data.
Regresi linear Pendahuluan Sistem pembelajaran berbasis E-Learning telah menjadi solusi penting dalam mendukung proses pendidikan, terutama di era digital yang terus berkembang pesat .
Dengan kemampuannya untuk menyediakan akses fleksibel terhadap materi pembelajaran dan aktivitas belajar.
E-Learning memungkinkan siswa untuk belajar tanpa batasan waktu dan lokasi .
Penerapan E-Learning juga memberikan peluang bagi institusi pendidikan untuk meningkatkan efisiensi pembelajaran serta memberikan pengalaman belajar yang lebih adaptif sesuai dengan kebutuhan individu siswa.
Oleh karena itu, pemanfaatan E-Learning terus Analisis Performa Siswa dalam E-Learning .
I Made Surya Kumara Progresif e-ISSN: 2685-0877 n 101 mengalami pertumbuhan dan diadopsi secara luas di berbagai institusi pendidikan di seluruh Namun, meskipun penggunaan E-Learning semakin meluas, evaluasi kinerja siswa dalam platform ini masih menjadi tantangan yang signifikan.
Salah satu kendala utama adalah kurangnya studi yang secara mendalam menganalisis data log aktivitas siswa di E-Learning dan keterkaitannya dengan performa akademik mereka.
Penelitian sebelumnya telah banyak membahas pemanfaatan data log untuk mengukur keterlibatan siswa dan performa mereka .
Misalnya, penelitian oleh B.
Hollister et al.
mengidentifikasi pola interaksi siswa dengan konten pembelajaran sebagai indikator keterlibatan, sementara Oguguo et al.
Yang .
Muslem .
dan N.
Arnani .
menunjukkan korelasi antara aktivitas siswa di forum diskusi dengan keberhasilan akademik mereka.
Meskipun demikian, studi-studi ini terbatas pada analisis deskriptif dan kurang mengembangkan pendekatan kuantitatif yang dapat memberikan wawasan prediktif terkait keterlibatan siswa dalam pembelajaran berbasis E-Learning.
Dengan demikian, masih terdapat kesenjangan dalam penelitian yang mengaitkan data log aktivitas siswa dengan prediksi performa akademik mereka menggunakan metode berbasis data.
Sebagai respons terhadap kesenjangan penelitian tersebut, penelitian ini berfokus pada analisis data log siswa dalam E-Learning untuk mengevaluasi kinerja akademik mereka, termasuk prediksi performa menggunakan metode machine learning.
Regresi linear dipilih karena kemampuannya yang sederhana namun efektif dalam memodelkan hubungan antara variabelvariabel kuantitatif, seperti skor pre-test dan post-test siswa .
Selain itu, penelitian ini juga berupaya menyajikan wawasan berbasis data mengenai hubungan antara persiapan awal .
dan hasil evaluasi akhir .
ost-tes.
Studi ini berbeda dengan penelitian sebelumnya karena tidak hanya menganalisis data log secara deskriptif, tetapi juga menggunakan pendekatan prediktif yang berbasis pada data log aktivitas siswa.
Tujuan dari penelitian ini adalah untuk mengidentifikasi pola performa siswa di ELearning, memodelkan hubungan antara aktivitas awal dan hasil belajar mereka, serta menawarkan solusi berbasis data untuk meningkatkan strategi pembelajaran.
Dengan memahami pola keterlibatan dan performa siswa, penelitian ini diharapkan dapat membantu pendidik dan pengembang sistem E-Learning dalam merancang pengalaman belajar yang lebih efektif dan berbasis data.
Tinjauan Pustaka Penelitian terkait analisis performa siswa dalam E-Learning telah dilakukan oleh berbagai pihak dengan fokus pada pengumpulan dan analisis data log aktivitas siswa.
Data log ini mencakup pola interaksi siswa dengan konten pembelajaran, aktivitas dalam forum diskusi, penyelesaian tugas, dan evaluasi akademik.
Tinjauan ini mencakup riset terdahulu yang relevan, mengidentifikasi gap penelitian, dan membahas kebaruan pendekatan dalam penelitian ini.
Irawan .
H Nabila .
, dan N.
Marjaya et al .
meneliti pola interaksi siswa dengan konten pembelajaran menggunakan analisis deskriptif.
Penelitian mereka menunjukkan bahwa frekuensi akses siswa terhadap materi pembelajaran berkorelasi dengan nilai akhir, tetapi tidak membahas hubungan kuantitatif atau prediktif antara variabel-variabel tersebut.
Penelitian lain oleh S.
Kusumawardani et al.
dan A.
Traxler .
memanfaatkan data log aktivitas siswa dalam forum diskusi untuk mengidentifikasi keterkaitan dengan hasil akademik.
Hasilnya menunjukkan bahwa siswa yang aktif dalam diskusi cenderung memiliki nilai yang lebih baik, meskipun pendekatannya terbatas pada analisis korelasi.
Lebih lanjut, penelitian oleh M.
Ardianti .
dan S.
Rajagukguk .
menggunakan metode pembelajaran mesin untuk menganalisis log aktivitas siswa.
Studi ini berhasil mengidentifikasi pola-pola spesifik yang memengaruhi keberhasilan siswa, seperti jumlah tayangan video dan waktu yang dihabiskan pada platform.
Namun, model pembelajaran mesin yang digunakan tidak cukup menginterpretasikan hubungan linear antara variabel-variabel yang Di sisi lain.
Kharis et al .
mengeksplorasi penggunaan model prediktif berbasis data log E-Learning, tetapi hanya terbatas pada data tugas siswa tanpa mempertimbangkan hasil evaluasi yang lebih menyeluruh, seperti nilai pre-test dan post-test.
Novelty dari penelitian ini adalah pendekatan kuantitatif berbasis regresi linear untuk memprediksi nilai post-test siswa berdasarkan nilai pre-test mereka.
Berbeda dengan penelitian terdahulu yang lebih menekankan pendekatan deskriptif dan penerapan model pembelajaran mesin kompleks, pendekatan regresi linear memberikan solusi yang lebih sederhana namun tetap efektif untuk memahami hubungan kausal antara variabel-variabel.
Kebaruan dari penelitian Analisis Performa Siswa dalam E-Learning .
I Made Surya Kumara n e-ISSN: 2685-0877 ini terletak pada integrasi analisis data log aktivitas siswa dengan prediksi performa berbasis nilai pre-test, yang belum banyak dibahas dalam studi sebelumnya.
Pendekatan yang digunakan dalam penelitian ini diharapkan dapat memberikan kontribusi signifikan terhadap pengembangan sistem E-Learning yang berbasis data, dengan memberikan wawasan yang lebih mendalam mengenai pola-pola pembelajaran siswa dan cara meningkatkan efektivitas platform E-Learning.
Metodologi Penelitian ini bertujuan untuk menganalisis performa siswa pada sistem E-Learning menggunakan pendekatan berbasis data dan regresi linear.
Penelitian ini melibatkan beberapa tahapan utama, mulai dari pengumpulan data, analisis kebutuhan, hingga pengujian dan validasi model prediksi.
Gambar 1 menjelaskan alur penelitian, yang dimulai dengan pengumpulan data log dari E-learning, kemudian pengembangan model machine learning, pengindenfikasian Selanjutnya apabila model maching learning sudah efektif akan dilakukan analisis hasil model dan pemenuhan standar sistem yang diinginkan.
Setiap tahap dirancang untuk mendukung pencapaian tujuan penelitian dengan hasil yang terukur dan dapat Gambar 1.
Diagram alur metodologi penelitian analisis performa mahasiswa pada E-learning 1 Pengumpulan Data Dataset yang digunakan dalam penelitian ini berasal dari log aktivitas mahasiswa di platform E-Learning mata kuliah Introduction to Python di National Central University.
Taiwan seperti yang ditunjukkan pada Gambar 2.
Dataset ini mencakup informasi seperti skor pre-test, skor post-test, jumlah pekerjaan rumah yang diselesaikan, aktivitas pada tayangan video, dan partisipasi dalam kuis.
Proses pengumpulan dan pra-pemrosesan data dilakukan melalui beberapa langkah:
Identifikasi dataset untuk memastikan atribut yang relevan dan jumlah data yang Pembersihan data untuk menghilangkan missing values, duplikasi, dan anomali.
Normalisasi data menggunakan metode Min-Max Scaling, yang dirumuskan sebagai:
ycU Oe ycUycoycnycu ycUA = ycUycoycaycu Oe ycUycoycnycu di mana ycU adalah nilai asli, ycUycoycnycu adalah nilai minimum dalam dataset, dan ycUycoycaycu adalah nilai maksimum.
Pembagian dataset menjadi data latih .
%) dan data uji .
%) untuk membangun serta mengevaluasi model prediksi.
Progresif: Vol.
No.
Februari 2025: 100-110 Progresif e-ISSN: 2685-0877 n 103 Gambar 2.
Struktur Dataset Log E-Learning Siswa 2 Perancangan model machine learning Model prediksi dalam penelitian ini dikembangkan menggunakan algoritma regresi linear yang diterapkan melalui pustaka Scikit-Learn.
Regresi linear digunakan untuk menganalisis hubungan antara skor pre-test dan skor post-test, yang dirumuskan sebagai:
ycU = yuCA yuCAycUCA yuCCycUCC U yuycuycUycu yun di mana:
Oe Oe ycU adalah skor post-test .
ariabel depende.
ycUCA, ycUCC, .
, ycUycu adalah fitur input seperti skor pre-test, jumlah pekerjaan rumah, jumlah kuis yang diselesaikan .
ariabel independe.
yuCA adalah intercept model yuCA, yuCC, .
, yuycu adalah koefisien regresi yang menunjukkan pengaruh masing-masing fitur terhadap skor akhir Oe yun adalah error residual Proses perancangan model meliputi:
Ekstraksi fitur dari dataset untuk digunakan sebagai variabel input.
Pelatihan model menggunakan data pre-test sebagai variabel input dan skor post-test sebagai target prediksi.
Evaluasi model dengan menghitung metrik Mean Absolute Error (MAE) dan Koefisien Determinasi (RA).
Rumus MAE digunakan untuk mengukur rata-rata kesalahan absolut antara nilai prediksi dan nilai Oe ycAyaya = ycu Ocycuycn=1 ycycn Oe yuycn di mana ycycn adalah nilai aktual, yuycn adalah nilai prediksi, dan ycu adalah jumlah sampel.
Rumus Koefisien Determinasi (RA) digunakan untuk mengukur sejauh mana model mampu menjelaskan variabilitas data:
ycIA = 1 Oe yu .
cycn Oe yuycn )A yu .
cycnOey.
A .
di mana yu adalah rata-rata dari nilai aktual.
Jika RA mendekati 1, model dapat menjelaskan sebagian besar variasi data dengan baik.
3 Pengujian Sistem Terintegrasi Pengujian sistem terintegrasi dilakukan setelah seluruh komponen sistem dirancang dan diintegrasikan untuk memastikan fungsionalitas dan keakuratan model secara keseluruhan.
Validasi model menggunakan data pengujian untuk mengukur kemampuan model dalam memprediksi skor post-test secara akurat.
Pengujian dilakukan setelah model regresi linear Analisis Performa Siswa dalam E-Learning .
I Made Surya Kumara n e-ISSN: 2685-0877 dikembangkan untuk memvalidasi akurasi prediksi skor post-test.
Proses ini mencakup beberapa Evaluasi Model Menggunakan data uji .
%) untuk mengukur seberapa baik model memprediksi skor post-test.
Menghitung MAE dan RA sebagai indikator utama performa model.
Visualisasi Hubungan Linear Scatter plot digunakan untuk membandingkan nilai prediksi dan nilai aktual, dengan garis regresi linear untuk melihat pola hubungan.
Hasil dan Pembahasan Bagian ini membahas hasil analisis statistik, perbandingan antar kriteria, serta prediksi menggunakan Machine Learning.
Analisis dilakukan terhadap keterlibatan mahasiswa dalam ELearning, termasuk frekuensi kunjungan, penyelesaian kuis, pengumpulan tugas, serta aktivitas menonton video.
Hasil regresi linear dan validasi silang digunakan untuk mengevaluasi hubungan antara PreTest, keterlibatan mahasiswa, dan skor akhir.
Perbandingan antar kriteria membantu mengidentifikasi faktor yang paling berpengaruh terhadap performa akademik.
Prediksi menggunakan Machine Learning bertujuan untuk mengembangkan model yang dapat mengoptimalkan sistem pembelajaran adaptif, sehingga dapat meningkatkan efektivitas pembelajaran berbasis digital.
Analisis Statistik Keterlibatan dan Performa Mahasiswa dalam Lingkungan E-Learning Analisis statistik deskriptif terhadap metrik keterlibatan mahasiswa menunjukkan adanya variabilitas yang signifikan dalam pola pembelajaran, yang berdampak pada hasil akademik akhir.
Seperti yang ditunjukan pada Tabel 1, nilai rata-rata mahasiswa (M = 72,93.
SD = 22,.
menunjukkan tingkat keberhasilan akademik yang moderat, dengan rentang skor yang luas dari 14,00 hingga 97,20.
Secara khusus, skor PreTest (M = 73,38.
SD = 15,.
menunjukkan korelasi yang tinggi dengan skor akhir, menegaskan bahwa pengetahuan awal memiliki nilai prediktif yang kuat terhadap performa akademik.
Temuan ini sejalan dengan penelitian oleh A.
Fauzi et al .
yang menunjukkan bahwa skor pre-test memiliki korelasi yang signifikan terhadap hasil akhir dalam pembelajaran berbasis digital.
Frekuensi kunjungan ke platform (M = 309,75.
SD = 151,.
dan penayangan video (M = 30,70.
SD = 21,.
menunjukkan bahwa interaksi aktif dengan materi pembelajaran berperan penting dalam pencapaian akademik.
Namun.
File View Rate (M = 0,58.
SD = 0,.
dan Video View Rate (M = 0,31.
SD = 0,.
yang relatif rendah mengindikasikan bahwa mengakses materi pembelajaran saja, tanpa keterlibatan yang berkelanjutan, tidak menjamin kesuksesan akademik.
Penelitian oleh A.
Lestari et al .
juga menyoroti bahwa kuantitas akses terhadap materi tidak selalu berkorelasi dengan pemahaman yang lebih baik, melainkan keterlibatan aktif seperti partisipasi dalam diskusi dan asesmen yang lebih menentukan keberhasilan akademik.
Selain itu, meskipun Online Quiz Completions (M = 0,86.
SD = 0,.
memiliki hubungan yang kuat dengan hasil akademik.
Homework Submit (M = 11,02.
SD = 1,.
menunjukkan variabilitas yang lebih rendah, yang mengindikasikan bahwa asesmen formatif berbasis kuis lebih efektif dalam mengukur pemahaman mahasiswa dibandingkan tugas rumah.
Diskusi ini sejalan dengan hasil penelitian oleh Yusnia .
, yang menyimpulkan bahwa evaluasi berbasis kuis interaktif lebih efektif dalam mengukur tingkat pemahaman dibandingkan tugas yang lebih pasif seperti membaca atau mengerjakan pekerjaan rumah.
Table 1.
Hasil Statistik Performa Mahasiswa pada E-Learning VideoVi ewRate Homew Submit Homew Submit Rate Online Quiz Complet Online Quiz Complet ion Rate Forum Particip Rate Pre Test SCORE Visit File Views File View Rate Videos Views Progresif: Vol.
No.
Februari 2025: 100-110 Progresif n 105 e-ISSN: 2685-0877 VideoVi ewRate Homew Submit Homew Submit Rate Online Quiz Complet Online Quiz Complet ion Rate Forum Particip Rate Pre Test SCORE Visit File Views File View Rate Videos Views Tinjauan lebih mendalam terhadap distribusi faktor keterlibatan menunjukkan adanya disparitas dalam partisipasi mahasiswa.
Forum Participation Rate (M = 0,46.
SD = 0,.
menunjukkan tingkat keterlibatan yang moderat, dengan nilai maksimum 1,00, yang menunjukkan bahwa sebagian mahasiswa memanfaatkan diskusi interaktif secara optimal, sementara sebagian lainnya tetap pasif.
Menariknya.
FileViewRate maksimum .
dan Online Quiz Completion Rate maksimum .
menunjukkan bahwa kelompok mahasiswa tertentu sepenuhnya memanfaatkan sumber daya digital, yang berkorelasi dengan skor akhir yang lebih Standar deviasi yang tinggi dalam penyelesaian kuis (SD = 0,.
dibandingkan dengan pengumpulan tugas (SD = 1,.
menunjukkan bahwa asesmen yang terintegrasi dalam sistem pembelajaran lebih dapat diandalkan dalam mengukur keterlibatan mahasiswa.
Temuan ini mengindikasikan bahwa platform pendidikan harus lebih menekankan pada konten interaktif, asesmen berbasis permainan .
amified assessment.
, serta strategi pembelajaran adaptif untuk meningkatkan keterlibatan mahasiswa dan mengoptimalkan hasil akademik.
Hal ini konsisten dengan penelitian oleh E.
Putri et al.
, yang menemukan bahwa strategi pembelajaran berbasis permainan dapat meningkatkan motivasi dan keterlibatan mahasiswa dalam lingkungan Selain itu, penelitian oleh Q.
Zhang et al .
menunjukkan bahwa platform pembelajaran yang menggunakan sistem rekomendasi berbasis data untuk menyesuaikan pengalaman belajar secara adaptif memiliki dampak positif terhadap hasil akademik mahasiswa.
Dengan demikian, hasil penelitian ini memperkuat temuan-temuan sebelumnya sekaligus memberikan perspektif baru dalam pemanfaatan E-Learning sebagai sarana pembelajaran yang lebih efektif berbasis Pengaruh Metrik Keterlibatan terhadap Kinerja Mahasiswa dalam Lingkungan ELearning Tahapan ini merupakan pendekatan untuk memodelkan hubungan antara nilai mahasiswa dengan beberapa kriteria E-Learning yang ditunjukan pada Tabel 2.
Hasil analisis regresi linear berganda menunjukkan bahwa skor PreTest .
dan penyelesaian kuis daring (Online Quiz Completion.
merupakan prediktor terkuat terhadap kinerja akademik mahasiswa, dengan korelasi yang tinggi terhadap skor akhir.
Hal ini menunjukkan bahwa mahasiswa yang memiliki pemahaman dasar yang kuat sebelum perkuliahan dimulai cenderung memperoleh hasil akademik yang lebih baik, sehingga menegaskan pentingnya asesmen diagnostik awal untuk mengidentifikasi tingkat pemahaman mahasiswa sejak awal.
Temuan ini sejalan dengan penelitian oleh L.
Chikileva et al .
, yang menunjukkan bahwa skor pre-test memiliki korelasi positif terhadap pencapaian akademik dalam pembelajaran berbasis digital.
Penelitian oleh Moubayed et al.
mengungkapkan bahwa tingkat keterlibatan awal dalam sistem pembelajaran daring dapat memprediksi keberhasilan akademik secara signifikan.
Selain itu.
Online Quiz Completions memiliki koefisien positif tertinggi, yang mengindikasikan bahwa partisipasi aktif dalam kuis secara signifikan meningkatkan hasil pembelajaran mahasiswa.
Penelitian oleh Muh.
Mattawang .
menunjukkan bahwa mahasiswa yang secara aktif berpartisipasi dalam aktivitas berbasis kuis memiliki peluang lebih tinggi untuk memperoleh nilai akademik yang lebih baik.
Sebaliknya.
HomeworkSubmit (-0,.
dan Videos Views (-0,.
menunjukkan korelasi yang lemah atau negatif, yang menyiratkan bahwa keterlibatan pasif, seperti sekadar menonton video atau mengumpulkan tugas tanpa partisipasi aktif, tidak cukup untuk mendorong kesuksesan akademik.
Analisis Performa Siswa dalam E-Learning .
I Made Surya Kumara n e-ISSN: 2685-0877 Table 2.
Performa Model Mahasiswa Kriteria Pre Test HomeworkSubmit Visit VideosView OnlineQuizCompletions ForumParticipationRate Koefisien Model regresi linear yang digunakan menghasilkan nilai RA sebesar 0.
63, yang menunjukkan bahwa sekitar 63% variasi skor akhir dapat dijelaskan oleh faktor keterlibatan yang Nilai Mean Absolute Error (MAE) sebesar 11.
38 menunjukkan bahwa terdapat faktor eksternal lain, seperti kebiasaan belajar, motivasi, dan dukungan akademik eksternal, yang juga dapat memengaruhi hasil belajar mahasiswa.
Korelasi positif Forum Participation Rate .
menegaskan pentingnya lingkungan pembelajaran interaktif, di mana diskusi dan keterlibatan dalam forum dengan rekan sejawat berkontribusi terhadap pemahaman konseptual yang lebih Penelitian oleh A.
Gasmi et al.
mendukung temuan ini dengan menunjukkan bahwa partisipasi aktif dalam forum diskusi daring dapat meningkatkan keterlibatan dan pemahaman konsep secara signifikan.
Gambar 3 menunjukkan penyebaran data antara skor aktual dan skor prediksi dalam model regresi linear.
Sebagian besar titik data tersebar di sekitar garis regresi merah putus-putus, yang menunjukkan bahwa model dapat memprediksi skor dengan tingkat akurasi yang cukup baik.
Namun, terdapat dispersi data yang cukup besar, terutama pada rentang skor tinggi dan rendah, yang mengindikasikan bahwa model tidak sepenuhnya mampu menangkap semua variasi dalam data.
Penelitian oleh H.
Lestari et al .
menemukan pola serupa, di mana prediksi model terhadap mahasiswa dengan skor akademik tertinggi dan terendah memiliki ketidakpastian yang lebih besar dibandingkan dengan mahasiswa dengan skor sedang.
Secara keseluruhan, temuan ini menegaskan bahwa keterlibatan aktif dalam berbagai bentuk aktivitas E-Learning, seperti penyelesaian kuis dan partisipasi dalam forum, memiliki dampak positif yang signifikan terhadap kinerja akademik mahasiswa.
Sebaliknya, keterlibatan pasif tidak memberikan kontribusi yang berarti terhadap pencapaian akademik.
Oleh karena itu, strategi pembelajaran yang mendorong partisipasi aktif dan interaksi antar mahasiswa perlu diutamakan dalam desain lingkungan E-Learning untuk meningkatkan hasil belajar.
Gambar 3.
Prediksi Regresi Linear Peran Keterlibatan Mahasiswa dalam Memprediksi Kinerja Akademik di Lingkungan ELearning Bagian ini membahas tentang peran keterlibatan mahasiswa dalam memprediksi kinerja akademik di E-Learning melalui matriks korelasi yang ditunjukkan pada Gambar 4.
Progresif: Vol.
No.
Februari 2025: 100-110 Progresif e-ISSN: 2685-0877 n 107 Gambar 4.
Korelasi Matrix dari Performa Mahasiswa Analisis terhadap performa mahasiswa dalam sistem E-Learning menunjukkan bahwa keterlibatan di platform merupakan faktor utama yang memengaruhi keberhasilan akademik.
antara berbagai faktor, jumlah kunjungan ke platform .
memiliki korelasi tertinggi dengan skor akhir, yang menunjukkan bahwa frekuensi interaksi dengan materi pembelajaran berkontribusi secara signifikan terhadap pencapaian akademik.
Temuan ini sejalan dengan penelitian oleh M.
Firat et al.
, yang menemukan bahwa intensitas kunjungan ke sistem ELearning berkorelasi erat dengan hasil akademik mahasiswa.
Demikian pula, penelitian oleh M.
Murray .
mengungkapkan bahwa mahasiswa yang lebih sering mengakses platform pembelajaran daring cenderung memiliki nilai akhir yang lebih tinggi dibandingkan dengan mahasiswa yang kurang aktif.
Pada tingkat akses terhadap file (File ViewRat.
dan keterlibatan dalam video pembelajaran .
menunjukkan hubungan positif yang kuat, mengindikasikan bahwa mahasiswa yang aktif mengonsumsi konten pembelajaran cenderung memperoleh hasil akademik yang lebih baik.
Penelitian oleh GaeviN et al.
juga mendukung temuan ini dengan menunjukkan bahwa mahasiswa yang sering mengakses materi pembelajaran, termasuk file dan video, cenderung lebih sukses dalam lingkungan E-Learning.
Selain itu, skor PreTest .
menunjukkan bahwa mahasiswa dengan pengetahuan awal yang lebih kuat cenderung memiliki performa akademik yang lebih tinggi, sehingga menegaskan pentingnya asesmen diagnostik awal untuk mengidentifikasi mahasiswa yang berisiko mengalami kesulitan dalam pembelajaran.
Sebaliknya, indikator pembelajaran tradisional seperti pengumpulan tugas (Homework Submi.
dan partisipasi dalam forum (Forum Participation Rat.
menunjukkan korelasi yang lebih lemah, yang mengindikasikan bahwa keterlibatan pasif saja tidak cukup untuk mencapai performa akademik yang optimal.
Penelitian oleh T.
Manurung et al.
menemukan bahwa diskusi pasif dalam forum dan tugas yang hanya bersifat administratif tidak selalu berkontribusi signifikan terhadap pencapaian akademik mahasiswa.
Pengaruh kuis yang lebih tinggi dibandingkan tugas .
,51 vs.
menegaskan bahwa asesmen formatif lebih efektif dalam memperkuat pemahaman mahasiswa dibandingkan tugas konvensional.
Analisis Performa Siswa dalam E-Learning .
I Made Surya Kumara n e-ISSN: 2685-0877 Secara keseluruhan, temuan ini menegaskan bahwa keterlibatan aktif dalam berbagai bentuk aktivitas E-Learning memiliki dampak positif yang signifikan terhadap kinerja akademik Sebaliknya, keterlibatan pasif tidak memberikan kontribusi yang berarti terhadap pencapaian akademik.
Oleh karena itu, strategi pembelajaran yang mendorong partisipasi aktif dan interaksi antar mahasiswa perlu diutamakan dalam desain lingkungan E-Learning untuk meningkatkan hasil belajar.
4 Rekomendasi