Jurnal JEETech Journal Of Electrical Engineering And Technology e-ISSN: 2722-5321 https://ejournal.
ft-undar.
id/index.
php/jeetech p-ISSN: 2964-7320 DOI: https://doi.
org/10.
32492/jeetech.
Identifikasi Pola Prilaku Belajar Mahasiswa Pada Platform Learning Management System Dengan Algoritma K-Means Ridho Muhammad Alam, 2 Hazriani, 3Abdul Latied Arda, 4Muhammad Ikhwan Mardin Pascasarjana.
Sistem Komputer.
Universitas Handayani Makassar.
Makassar Sistem Komputer.
Universitas Handayani Makassar.
Makassar Sistem Komputer.
Universitas Handayani Makassar.
Makassar Teknologi Informasi.
Institut Kesehatan dan Teknologi Buton Raya.
Baubau 94@gmail.
com, 2 hazriani@handayani.
id, 3 abdullatief@handayani.
id, 4 muhammadikhwan034@gmail.
Article Info
ABSTRACT
Article history:
Received October 15th, 2024 Revised Desember 16th, 2024 Accepted January 17th, 2025 Keyword:
Pola Perilaku Belajar Mahasiswa Learning Management System Algoritma K-Means This study aims to explain students' behavior in accessing the id learning platform and its impact on student academic It analyzes data collected from students' access to the platform during 12 sessions in one semester for the Islamic communication subject taught by Professor Surani.
The data includes students' access times, access frequency, and academic performance such as assignment grades, midterm exams, and final exams.
Through data processing methods, correlation analysis, and cluster optimization, the study found a positive relationship between access times, midterm exams, final exams, and assignments with students' final grades.
The higher these variables, the higher the students' final grades.
However, this relationship is not always consistent across different variables.
this study, the Elbow method was used to determine the optimal number of clusters by identifying the point where the variance reduction becomes less significant.
Additionally, the Sum of Square Error (SSE) was analyzed to understand the sharp change followed by a gradual decrease in the value of K until stability is reached.
Clustering results using the K-Means algorithm showed the presence of three student clusters based on their learning behavior.
Cluster 0 is the largest, consisting of 176 students.
Cluster 1 has 57 students, and cluster 2 is the smallest with 17 students.
These clusters provide insights into varying student learning patterns, including differences in final grades and access frequency.
These findings can be used as a basis for developing more effective and personalized learning strategies for Copyright A 2025 Jurnal JEETech.
All rights reserved.
Corresponding Author:
Ridho Muhammad Alam.
Pascasarjana.
Sistem Komputer.
Universitas Handayani Makassar.
Jln.
Adhyaksa Bar u No.
Makassar.
Sulawesi Selatan Email: ridhomuhalam.
94@gmail.
JEETech Vol.
6 No.
1 Tahun 2025 Journal Of Electrical Engineering And Technology AbstrakAiPenelitian yang bertujuan untuk menjelaskan perilaku mahasiswa dalam mengakses platform pembelajaran kalam.
id dan dampaknya terhadap hasil belajar mahasiswa.
Penelitian ini menganalisis data yang diperoleh dari akses mahasiswa ke platform ini selama 12 pertemuan dalam satu semester untuk mata kuliah ilmu dakwah yang diampuh oleh dosen Surani.
Data mencakup waktu akses mahasiswa, frekuensi akses, serta hasil belajar berupa nilai tugas.
Ujian Tengah Semester (UTS), dan Ujian Akhir Semester (UAS).
Melalui metode pengolahan data, analisis korelasi, dan optimasi klaster, penelitian ini menemukan adanya hubungan positif antara waktu akses.
UTS.
UAS, dan tugas dengan nilai akhir Semakin tinggi variabel-variabel tersebut, semakin tinggi pula nilai akhir yang diperoleh Namun, hubungan ini tidak selalu konsisten di antara variabel-variabel yang berbeda.
Dalam penelitian ini, metode Elbow digunakan untuk menentukan jumlah cluster yang optimal dengan melihat titik di mana penurunan varians menjadi kurang signifikan.
Selain itu.
Sum of Square Error (SSE) dianalisis untuk memahami perubahan yang tajam diikuti oleh penurunan bertahap pada nilai K hingga mencapai Hasil clustering menggunakan algoritma K-Means menunjukkan adanya tiga klaster mahasiswa berdasarkan perilaku belajar mereka.
Klaster 0 adalah yang terbesar, terdiri dari 176 siswa.
Klaster 1 memiliki 57 siswa, dan klaster 2 adalah yang terkecil dengan 17 siswa Klaster-klaster ini memberikan wawasan tentang pola belajar mahasiswa yang bervariasi, termasuk variasi nilai akhir dan frekuensi akses.
Temuan ini dapat digunakan sebagai dasar untuk menyusun strategi pembelajaran yang lebih efektif dan personalized bagi mahasiswa.
Pendahuluan Pemahaman terhadap perilaku belajar mahasiswa menjadi krusial dalam mengevaluasi efektivitas pembelajaran online.
Dalam hal ini, pola perilaku belajar mencakup sejumlah aspek kriteria, seperti keaktifan meliputi kehadiran, keterlibatan meliputi jenis materi yang paling banyak diakses misalnya akses PPT, akses Video Pembelajaran dan akses modul, dan gaya belajar yang digunakan oleh mahasiswa.
Pemahaman yang lebih baik terhadap pola perilaku belajar mahasiswa dapat memberikan sumbangan positif terhadap pengembangan strategi pembelajaran online yang lebih efektif.
Identifikasi pola ini dapat menjadi dasar bagi institusi pendidikan untuk menyusun program-program pembelajaran yang lebih sesuai dan sesuai dengan kebutuhan individual mahasiswa.
Perkembangan teknologi informasi dan komunikasi telah membawa dampak signifikan terhadap dunia pendidikan, termasuk dalam hal penyelenggaraan pembelajaran online.
Sallaby dan Kanedi .
Sistem adalah kumpulan elemen yang bekerja sama untuk mencapai tujuan Sistem ini menggambarkan suatu kejadian dan kesatuan yang nyata, seperti tempat, benda, dan orang-orang, yang benar-benar ada dan terjadi.
Informasi adalah hasil dari pengolahan data sehingga menjadi bentuk yang lebih signifikan dan bermanfaat bagi orang yang menerimanya.
Ia menggambarkan peristiwa nyata, bukan fiksi, yang dapat digunakan sebagai dasar untuk pengambilan keputusan (Nurul.
Anggrainy, dan Aprelyani 2.
Adapun pendapat mengenai sistem Informasi merupakan sekumpulan komponen yang memiliki kemampuan untuk mengumpulkan, memproses, dan menyebarkan data dengan tujuan tertentu (Maria S.
Simatupang J dan Manurung F 2.
Komponen-komponen dari sistem informasi adalah data yang masuk ke sistem informasi disebut sebagai komponen input.
Komponen model adalah kombinasi model matematika, logika, dan prosedur yang memproses data di basis data dengan cara yang telah ditentukan untuk menghasilkan keluaran yang diinginkan.
Komponen output adalah hasil informasi yang berkualitas tinggi dan dokumentasi yang bermanfaat bagi semua tingkatan manajemen dan semua pengguna sistem.
Komponen teknologi adalah alat yang digunakan dalam sistem informasi.
Sebuah perguruan tinggi mengumpulkan banyak data selama proses penerimaan mahasiswa.
Proses ini dapat memberikan informasi penting bagi institusi tersebut.
Dalam penelitian ini (Aziz.
Setiawan, dan Arwani 2.
, penulis menggunakan data mahasiswa seperti indeks prestasi komulatif, jalur masuk, pendapatan orang tua, dan nomor induk.
Teknologi data mining diperlukan karena menggali informasi sebanyak itu dari data.
Data mining, juga disebut sebagai Penemuan Pengetahuan dalam Database, adalah proses otomatis untuk menemukan pola dalam kumpulan data yang sangat besar dengan menggunakan alat seperti pengelompokan atau klasifikasi hubungan.
Peneliti ingin mengumpulkan data yang dapat mencerminkan kinerja akademik siswa pada akhir semester dengan menggunakan metode K-Means.
Teknologi data mining diperlukan karena menggali informasi sebanyak itu dari data.
Data mining, juga disebut sebagai Penemuan Pengetahuan dalam Database, adalah proses otomatis untuk menemukan pola JEETech Vol.
6 No.
1 Tahun 2025 Journal Of Electrical Engineering And Technology dalam kumpulan data yang sangat besar dengan menggunakan alat seperti pengelompokan atau klasifikasi Peneliti ingin mengumpulkan data yang dapat mencerminkan kinerja akademik siswa pada akhir semester dengan menggunakan metode K-Means.
Di Universitas Muslim Indonesia menciptakan Learning Management System demi memudahkan mahasiswa untuk mengakses pembelajaran dari dosen pada mata kuliah tertentu, dalam hal membagikan tugas, modul pembelajaran, kehadiran mahasiswa, pengumpulan tugas.
UTS.
UAS.
LMS ini dinamakan dengan platform Kalam.
id yang menjadikan salah satu bentuk implementasi dari transformasi ini, memungkinkan mahasiswa untuk mengakses materi perkuliahan dengan lebih fleksibel serta digunakan untuk mempermudah mahasiswa dan dosen dalam melakukan aktifitas yang sudah dijadwal oleh sistem LMS sesuai dengan kontrak kuliah yang sudah dibicarakan dosen kepada mahasiswa terkait pembelajaran di hari, waktu/jam dimulai pembelajaran tersebut.
Sementara itu kontrak kuliah dilakukan di awal pertemuan kuliah mahasiswa dan dosen sebelum memasuki materi pembelajaran yaitu pembagian modul pembelajaran dari bab pertama hingga akhir pertemuan.
Kemudian seiring berjalannya pembelajaran mahasiswa.
LMS ini akan sering mengingatkan jadwal perkuliahan kepada dosen sehari sebelum pertemuan kelas untuk materi pertama lalu ketua tingkat setiap kelas memberikan arahan teman-teman sekelasnya untuk bersiap melakukan pembelajaran di pertemuan pertama dengan dosen pengampuh dan kegiatan ini akan berlangsung hingga akhir semester.
Selain mengingat dosen dalam jadwal pertemuan kelas melalui email dosen.
LMS ini akan mengingatkan untuk mengirim materi pembelajaran pertama mulai dari judul materi, form kehadiran mahasiswa, link zoom jika melakukan pembelajaran online dan note jika ingin melakukan pembelajaran offline.
Pemberitahuan ini akan dikirim di email dosen pengampuh sedangkan mahasiswa menerima pemberitahuan dari dosen atau ketua tingkat setiap kelas untuk memberi arahan dalam mengisi kehadiran, mendownload modul pembelajaran, mengumpulkan tugas tepat waktu dimana jika tidak diisi dalam waktu yang telah ditentukan oleh dosen maka akan dinilai tidak hadir atau tidak mengumpulkan tugas, kemudian terakhir mahasiswa juga dapat mengakses langsung link zoom pertemuan kelas di Kalam Umi untuk memasuki kelas setelah mengisi kehadiran di form kehadiran mahasiswa yang telah disediakan oleh dosen bersangkutan.
Penggunaan algoritma K-Means sebagai metode identifikasi pola perilaku belajar memberikan keunggulan dalam mengelompokkan mahasiswa berdasarkan karakteristik tertentu.
Dengan demikian, penelitian ini memiliki potensi untuk memberikan wawasan yang lebih mendalam terkait dengan variasi pola perilaku belajar mahasiswa di lingkungan pembelajaran online.
Penerapan algoritma K-Means akan dituangkan dalam sistem berbasis Web agar mempermudah penyimpanan dan pengolahan data kelompok karakteristik dari tiap mahasiswa.
Diharapkan penelitian ini dapat memiliki relevansi praktis yang signifikan bagi pengelola platform Kalam.
id, karena dapat memberikan pandangan yang lebih jelas terkait dengan penggunaan platform tersebut oleh mahasiswa.
Hal ini dapat menjadi dasar bagi pengembangan fiturfitur tambahan atau peningkatan layanan yang dapat meningkatkan pengalaman belajar mahasiswa secara Dengan demikian, penelitian Ini tidak hanya berkonsentrasi pada aspek akademis, tetapi juga menghasilkan peningkatan kualitas layanan dan pengembangan platform pembelajaran online.
Beberapa orang lebih efektif dalam pembelajaran ketika mereka terlibat dalam metode atau strategi tertentu (Rahmawati dan Muhroji 2.
Tujuan algoritma clustering K-Means adalah untuk membagi data menjadi beberapa kelompok.
Algoritma ini menerima data yang tidak memiliki label kelas.
Tidak seperti pembelajaran yang diawasi yang menerima input seperti vektor .
_1,y_.
, .
_2,y_.
_i,y_.
(Setyaningtyas.
Nugroho, dan Arif 2.
, di mana x_i adalah data dari data pelatihan dan y_i adalah label kelas untuk y_i.
Database atau basis data berasal dari kata "data" dan "basis", yang berarti "data" dan "basis", yang berarti "data".
Data dapat menggambarkan hal-hal di dunia nyata dalam berbagai bentuk, seperti teks, huruf, simbol, angka, suara, gambar, dan elemen lainnya (Samosir et al.
II.
Metode Penelitian Tahapan Penelitian Penelitian ini mempunyai tahapan-tahapan, yang mana setiap tahap saling berkaitan.
Adapun tahapan penelitian dapat dilihat pada gambar berikut:
JEETech Vol.
6 No.
1 Tahun 2025 Journal Of Electrical Engineering And Technology Gambar 1.
Tahapan Penelitian Pengumpulan Data Dalam penelitian ini, informasi diperoleh melalui teknik pengumpulan data secara langsung.
Data langsung diambil dari platform kalam.
id beserta wawancara kepada mahasiswa untuk melihat nilai masingmasing mahasiswa diantaranya nilai tugas.
UTS.
UAS dan nilai akhir.
Wawancara dan sesi fokus kelompok digunakan untuk mendapatkan data kualitatif yang lebih mendalam mengenai pengalaman belajar Analisis data historis membantu membantu peningakatan nilai mahasiswa di platform Import Data Data dikelola menggunakan Google Colab dengan menggunakan bahasa pemrograman Python.
File spreadsheet yang berisi data diimpor ke Google Colab.
Impor data menjadi langkah awal yang penting dalam analisis data.
Dengan memanfaatkan kemampuan Python dan lingkungan Google Colab, dapat dengan mudah mengimpor data dari berbagai sumber ke dalam lingkungan kerja.
Pendekatan praktis yang dijelaskan dalam penelitian ini dapat membantu peneliti dan praktisi ilmu data dalam memulai analisis data dengan cepat dan efisien di Google Colab.
Preprocessing Data Normalisasi preprocessing adalah langkah krusial dalam analisis data yang bertujuan untuk menstandarisasi skala nilai dari fitur-fitur dalam dataset.
Dengan melakukan normalisasi, kita dapat menghindari dominasi fitur-fitur dengan rentang nilai yang besar terhadap fitur-fitur dengan rentang nilai yang lebih kecil, sehingga memperbaiki konsistensi dan interpretasi hasil analisis.
Langkah-langkah normalisasi mencakup pemahaman data untuk mengidentifikasi fitur-fitur yang perlu dinormalisasi, pemilihan metode normalisasi yang sesuai dengan karakteristik data, implementasi normalisasi pada setiap fitur, evaluasi hasil normalisasi, dan penggunaan data yang telah dinormalisasi untuk analisis lebih lanjut.
Dengan melakukan normalisasi secara tepat, kita dapat meningkatkan kualitas analisis data dan memperoleh hasil yang lebih dapat diandalkan.
JEETech Vol.
6 No.
1 Tahun 2025 Journal Of Electrical Engineering And Technology Optimasi Cluster Metode Elbow adalah teknik yang digunakan dalam analisis klaster untuk menentukan jumlah cluster yang optimal bagi data yang sedang dipelajari.
Prinsip dasar dari metode ini adalah mencari titik di mana penurunan varians antar cluster menjadi kurang signifikan setelah titik tersebut (Juanita dan Cahyono 2.
Secara visual, metode Elbow melibatkan plot jumlah cluster terhadap nilai varians dalam-kluster .
ntra-cluster varianc.
atau total kesalahan kuadrat .
um of squared errors.
SSE).
Pada grafik tersebut, nilai varians atau SSE biasanya menurun dengan cepat pada awalnya saat jumlah cluster bertambah, namun kemudian penurunannya melambat dan menjadi lebih stabil.
Titik di mana laju penurunan berubah secara drastis membentuk lekukan atau "elbow" pada grafik.
Titik ini dianggap sebagai jumlah cluster optimal karena penambahan cluster setelah titik tersebut hanya memberikan sedikit pengurangan tambahan dalam varians atau kesalahan kuadrat, sementara tingkat kompleksitas model bertambah.
Metode Elbow membantu peneliti menemukan keseimbangan yang tepat antara jumlah cluster yang digunakan dan kualitas pengelompokan data, sehingga analisis klaster menjadi lebih efektif dan efisien.
Sum of Square Error (SSE) adalah metrik yang digunakan dalam analisis klaster untuk mengukur seberapa baik data telah dikelompokkan oleh algoritma.
SSE sering digunakan dalam penelitian terkait optimisasi klaster karena ia memberikan informasi tentang seberapa baik titik-titik data dalam satu cluster saling mendekati centroid klaster tersebut (Hamka dan Ramdhoni 2.
Algoritma K-Means Algoritma K-Means adalah algoritma clustering yang bertujuan untuk mengelompokkan data ke dalam beberapa kelompok atau klaster berdasarkan kemiripan antarobservasi (Ahmed.
Seraj, dan Islam 2.
Cara kerja algoritma K-Means dapat dijelaskan dalam beberapa tahapan.
Pertama, algoritma ini memulai dengan menentukan jumlah klaster yang diinginkan (K).
Selanjutnya.
K titik acak diambil sebagai pusat awal klaster.
Setiap observasi kemudian diatribusikan ke klaster yang memiliki pusat terdekat.
Tahap berikutnya melibatkan pembaruan pusat klaster.
Pusat klaster baru dihitung dengan mengambil rata-rata dari semua observasi yang terdapat dalam klaster tersebut.
Selanjutnya, observasi kembali diatribusikan ke klaster dengan pusat terdekat yang baru dihitung.
Proses ini berulang secara iteratif hingga konvergensi, yaitu ketika tidak ada lagi perubahan pada pusat klaster atau jumlah iterasi yang ditentukan telah tercapai.
Hasil akhirnya adalah kelompok data ke dalam K klaster yang berbeda.
Algoritma K-Means bergantung pada pemilihan pusat klaster awal dan dapat memberikan hasil yang berbeda tergantung pada inisialisasi tersebut.
Untuk mengatasi masalah ini, seringkali dilakukan beberapa percobaan dengan inisialisasi yang berbeda dan memilih hasil terbaik.
Pengambilan Kesimpulan Tujuan dari penarikan kesimpulan dan pembuatan laporan adalah untuk memberikan informasi dan kesempatan kepada para pembaca untuk mengetahui secara cepat tentang hasil akhir dari penelitian yang Jenis Penelitian Informasi disajikan dalam bentuk kalimat melalui metode penelitian kualitatif deskriptif.
Data kualitatif tidak dapat diukur atau dihitung karena berhubungan dengan kata-kata atau label yang digunakan untuk menjelaskan karakteristik atau sifat tertentu.
Penelitian kualitatif digunakan untuk mengidentifikasi, mengidentifikasi, menggambarkan, dan menjelaskan kualitas atau keunggulan dampak data yang Dalam penelitian, data kualitatif mengacu pada informasi yang diperoleh dari observasi, wawancara, catatan lapangan, atau sumber-sumber lain yang menghasilkan deskripsi naratif atau deskripsi yang mendalam tentang fenomena yang sedang diteliti.
Berbeda dengan data kuantitatif yang menghasilkan angka dan statistik, data kualitatif menangkap konteks, makna, dan nuansa di balik fenomena yang diamati.
JEETech Vol.
6 No.
1 Tahun 2025 Journal Of Electrical Engineering And Technology i.
Hasil dan Pembahasan Hasil Penelitian Dataset Data yang digunakan dalam penelitian ini diperoleh melalui akses ke situs web resmi kalam.
yang menyajikan informasi mengenai waktu akses kalam yang dilakukan mahasiswa dalam beberapa menit dalam sekali akses untuk 12 pertemuan dalam satu semester, frekuensi disini ada penggambaran berapa kali mahasiswa mengakses kalam umi, dalam mata kuliah ilmu dakwah yang diampuh oleh dosen atas nama Surani ini peneliti menemukan adanya 12 kali pertemuan dimana setiap penelitian mahasiswa mengakses kalam sebanyak 2-3 untuk satu pertemuan sehingga bisa diartikan bahwa 12 pertemuan tersebut dikalikan dengan 2-3 kali akses maka hasilnya ada 24-25 kali akses.
Kemudian untuk akses pertama mahasiswa mengakses pengumpulan tugas sebelum dimulainya pertemuan atau mendownload modul pembelajaran yang akan di ajarkan oleh dosen bersangkutan dan akses kedua untuk mengisi form kehadiran dan mengakses link pembelajaran melalui zoom maupun informasi pertemuan tatap muka.
Nilai akhir mahasiswa dari hasil nilai tugas.
Ujian Tengah Semester (UTS).
Ujian Akhir Semester (UAS).
Visualisasi rinci dari data mahasiswa yang terkumpul dapat ditemukan pada Tabel Tabel 1.
Visualisasi rinci dari data mahasiswa
Perilaku Waktu Akses
(AVG
Tim.
Freku
Akses
Hasil
Belajar A 82,30 82,69 Nama Mahasiswa
RAIS TRIFIRANSA
TIZAR FITRAH ANUGERAH
ADE REZA ANUGRAH
ACHMAD ZULFIKAR
ANDIKA PRATAMA
FAID FADHILAH
MUH.
RAFLY SHADIQIN MUCHTAR
MUHAMMAD RAIHAN SAPUTRA
HUSAIN ARRAYHAN
MUH.
WILDAN TRI GEMILAN
SARI NARULITA SYAMSUDDIN
SITI HELGA HUWAIDAH
RAHMA ALIA
ZANIRA PUTRI WARDHANI
AMALIA PUTRI UTAMI
NURUL FITRIANI
CATRI SYAFRIANA BINTO
NASRINA IMTIYAS ZAHRA
NURUL FATIHAH
PUTRI APRILIA
UMMUL ULYA HANDAYANI HAMID
PUTRI BIMADAYANTI
NURSYAMSI
JEETech Vol.
6 No.
1 Tahun 2025
Journal Of Electrical Engineering And Technology RISKA
NUR SYAFIQAH
RIZQI ANANDA JALIL
MUDHIAH YAUMIL AKHIR
SITTI LUTFIA
AUDIAWALIYA PRATIWI UTAMI
ANDI MUTIARA AYU LARASATI
Hasil akhir poin yang didapatkan oleh mahasiswa dapat dilihat dari satuan nilai berdasarkan range poinnya seperti pada Tabel 2.
Tabel 2.
Range Penilaian Dosen Terhadap Mahasiswa UMI Nilai Poin 81 Ae 100 71 Ae 80 61 Ae 70 51 Ae 60 41 Ae 50 30 Ae 40 0 Ae 29 Gambar tersebut menunjukkan hasil korelasi antar kelas A1.
B1, dan B2, di mana terdapat beberapa variabel yang diukur, yaitu waktu akses.
UTS.
UAS, tugas, dan nilai akhir.
Hasilnya menunjukkan bahwa terdapat hubungan positif antara waktu akses.
UTS.
UAS, dan tugas dengan nilai akhir.
Artinya, semakin tinggi nilai variabel-variabel tersebut, semakin tinggi pula nilai akhir.
Korelasi antar fitur A1.
B1, dan B2 menunjukkan bahwa terdapat hubungan yang positif antara variabel-variabel tersebut.
Namun, nilai akhir tidak memiliki korelasi yang signifikan dengan variabel lain pada B1 dan B2.
Perlu diingat bahwa korelasi tidak menunjukkan hubungan sebab-akibat seperti pada Gambar 2.
JEETech Vol.
6 No.
1 Tahun 2025 Journal Of Electrical Engineering And Technology Gambar 2.
Hubungan Sebab Akibat Berdasarkan data tersebut didapatkan visualisasi persebaran data yang dapat dilihat pada Gambar 3.
Terdapat persebaran data dengan melihat 3 metode pembelajaran yaitu tugas.
UTS, dan UAS.
Secara keseluruhan dari visualisasi persebaran data ini terlihat perilaku mahasiswa mengenai memperoleh, memproses, menyimpan, mengingat informasi, maupun mengumpulkan tugas dengan tepat waktu sesuai waktu yang telah diberikan oleh dosen dalam mengakses kalam.
umi di waktu yang sama saat melakukan pertemuan kelas.
Sehingga bisa disimpulkan bahwa keaktifan mahasiswa sangat mempengaruhi nilai akhir yang akan diberikan oleh dosen bersangkutan.
Gambar 3.
Visualisasi Persebaran Data Mahasiswa Persebaran data juga dapat dijabarkan tiga grafik sebar yang menunjukkan hubungan antara dua variabel pada Gambar 4.
Persebaran data ini menunjukkan dimulai dari waktu akses.
UTS.
UAS, tugas dan nilai akhir yang memberikan hubungan antara dua variabel dengan melihat grafik yang terletak ditengah yang menunjukkan grafik yang terus meningkat secara diagonal dan titik-titik pesebaran yang teratur dan berulang ulang.
JEETech Vol.
6 No.
1 Tahun 2025 Journal Of Electrical Engineering And Technology Gambar 4.
Visualisasi Hubungan antara dua Variabel Preprocessing Data Gambar tersebut menunjukkan hasil visualisasi data setelah dilakukan preprocessing normalize.
Preprocessing normalize merupakan proses mengubah data agar memiliki skala yang sama, sehingga data lebih mudah dibandingkan dan dianalisis.
Hasil visualisasi menunjukkan distribusi data yang berbentuk kurva normal, menandakan bahwa data telah ternormalisasi dan siap untuk dianalisis.
Preprocessing normalize telah dilakukan pada data waktu akses kalam dan nilai akhir, seperti terlihat pada gambar.
Hasilnya menunjukkan distribusi data berbentuk kurva normal, dengan sedikit kemiringan ke kiri untuk waktu akses dan sedikit kemiringan ke kanan untuk nilai akhir.
Melalui proses ini, nilai rata-rata kedua variabel menjadi 0 dan standar deviasi menjadi 1, sehingga skala keduanya menjadi sama.
Dengan data ternormalisasi ini, kita bisa lebih mudah membandingkan variabel waktu akses dan nilai akhir, serta memungkinkan analisis statistik dan pembuatan model machine learning yang lebih akurat.
Preprocessing normalize bermanfaat untuk meningkatkan akurasi model machine learning, mempermudah interpretasi data, dan mempermudah perbandingan data.
Processing normalise ini peneliti menggunakan google collab untuk menemukan nilai dapat memudahkan pembaca dalam memahami penelitian ini.
Tabel 3.
Hasil Preprocessing Normalisasi Waktu Akses (AVG) Nilai Akhir JEETech Vol.
6 No.
1 Tahun 2025 Journal Of Electrical Engineering And Technology Optimasi Cluster Metode Elbow Grafik Metode Siku-siku (Elbow Metho.
menunjukkan jumlah klaster optimal untuk algoritma KMeans.
Pada sumbu-y, grafik menampilkan jumlah kuadrat dalam-klaster (WCSS), yang seharusnya rendah untuk kinerja pengelompokan yang baik.
Pada sumbu-x, grafik menunjukkan jumlah klaster yang dievaluasi.
Nilai WCSS menurun seiring bertambahnya klaster, menunjukkan pengelompokan yang lebih baik saat klaster bertambah.
Sehingga, pada Gambar 5 klaster yang optimal digunakan adalah klaster 3 untuk meningkatkan kinerja pengelompokan.
Gambar 5 Visualisasi Metode Elbow Sum of Square Error (SSE) Menghitung selisih dari masing-masing SSE kluster, hasil dapat dilihat pada tabel 4.
Tabel 4.
Hasil Selisih Nilai SSE
Kluster
Nilasi SSE
Selisih
K=2
K=3
K=4
K=5
K=6
K=7
K=8
K=9
K=10
Pada kluster = 3 mengalami penurunan yang paling besar yang kemudian akan membentuk lekukan siku seperti pada Gambar 5.
JEETech Vol.
6 No.
1 Tahun 2025 Journal Of Electrical Engineering And Technology Penggunaan K-Means Hasil centroid adalah nilai rata-rata dari setiap cluster dalam analisis klaster seperti pada Tabel 4.
Dalam kasus ini, centroid digunakan untuk mewakili karakteristik setiap klaster berdasarkan waktu akses ke platform Kalam dan nilai akhir mereka.
Dengan memperhatikan nilai centroid untuk masing-masing cluster, kita dapat dengan cepat memahami pola umum dari perilaku dan kinerja akademik mahasiswa dalam setiap kelompok.
Tabel 5.
Hasil Centroid disetiap Cluster Cluster Centroid (Kalam Acces.
Centroid (Final Grad.
Cluster 0 Cluster 1 Cluster 2 Visualisasi berupa Gambar 5.
Dari grafik yang disajikan, terlihat adanya tiga kelompok siswa berdasarkan nilai akhir dan waktu akses.
Kelompok pertama memiliki nilai akhir tinggi dengan variasi waktu akses.
Kelompok kedua menunjukkan variasi nilai akhir dengan waktu akses yang cenderung lebih Sedangkan kelompok terakhir memiliki jumlah data sedikit dengan nilai akhir yang cenderung rendah dan waktu akses yang bervariasi.
Analisis ini memberikan wawasan tentang pola perilaku belajar siswa, yang dapat menjadi dasar untuk menyusun strategi pembelajaran yang lebih efektif.
Gambar 6.
Visualisasi Hasil Clustering K-Means Data Mahasiswa Hasil clustering menggunakan algoritma K-Means menunjukkan tiga klaster dengan jumlah siswa berbedabeda seperti pada Gambar 6.
Klaster 0 adalah yang terbesar, terdiri dari 176 siswa.
Klaster 1 memiliki 57 siswa, dan klaster 2 adalah yang terkecil dengan 17 siswa.
Perbedaan jumlah siswa di setiap klaster mencerminkan keragaman dalam kelompok siswa yang dikelompokkan berdasarkan keterlibatan dan nilai akhir mereka, menunjukkan bahwa mayoritas siswa berada di klaster 0.
JEETech Vol.
6 No.
1 Tahun 2025 Journal Of Electrical Engineering And Technology A Gambar 7.
Visualisasi Hasil Akhir Klaster Data sampel yang digunakan untuk mendemonstrasikan hasil klasterisasi dapat ditemukan pada Tabel 6.
Tabel 6.
Sampel Hasil Klaster
Perilaku Waktu Akses
(AVG
Tim.
Freku
Akses
Hasil
Belajar Hasil
Cluster
RAIS TRIFIRANSA
TIZAR FITRAH ANUGERAH
ADE REZA ANUGRAH
ACHMAD ZULFIKAR
ANDIKA PRATAMA
RIZQI ANANDA JALIL
MUDHIAH YAUMIL AKHIR
SITTI LUTFIA
AUDIAWALIYA PRATIWI UTAMI
ANDI MUTIARA AYU LARASATI
Nama Mahasiswa Pembahasan Hasil penelitian ini memberikan wawasan mendalam tentang pola akses dan perilaku belajar mahasiswa dalam mata kuliah ilmu dakwah yang diampuh oleh dosen Surani.
Data diperoleh dari situs resmi id, yang mencatat waktu akses mahasiswa ke situs untuk setiap pertemuan dalam satu Dalam satu pertemuan, mahasiswa mengakses situs sebanyak 2-3 kali, dengan total sekitar 24-25 kali akses selama 12 pertemuan.
Visualisasi data menunjukkan hubungan positif antara waktu akses.
Ujian Tengah Semester (UTS).
Ujian Akhir Semester (UAS), dan tugas dengan nilai akhir.
Mahasiswa yang lebih aktif mengakses situs dan menyelesaikan tugas cenderung memperoleh nilai akhir yang lebih tinggi.
Namun, hubungan ini bersifat korelasi, bukan hubungan sebab-akibat.
Proses normalisasi data dilakukan untuk menyelaraskan skala data waktu akses dan nilai akhir.
Distribusi data menunjukkan bentuk kurva normal, dengan sedikit kemiringan JEETech Vol.
6 No.
1 Tahun 2025 Journal Of Electrical Engineering And Technology ke kiri untuk waktu akses dan kemiringan ke kanan untuk nilai akhir.
Normalisasi ini memudahkan analisis data dan meningkatkan akurasi model machine learning.
Metode Elbow dan Sum of Square Error (SSE) digunakan untuk menentukan jumlah klaster optimal dalam analisis klasterisasi.
Hasil menunjukkan bahwa klaster 3 adalah yang optimal untuk meningkatkan kinerja Clustering K-Means mengelompokkan data mahasiswa ke dalam tiga klaster berdasarkan keterlibatan dan nilai akhir.
Klaster 0 adalah yang terbesar dengan 176 siswa, sementara klaster 2 adalah yang terkecil dengan 17 siswa.
Visualisasi hasil clustering memberikan gambaran tentang pola perilaku belajar siswa dalam setiap klaster.
Kelompok pertama memiliki nilai akhir tinggi dengan variasi waktu akses, kelompok kedua menunjukkan variasi nilai akhir dengan waktu akses lebih rendah, dan kelompok terakhir memiliki jumlah data sedikit dengan nilai akhir rendah.
Analisis ini dapat menjadi dasar untuk menyusun strategi pembelajaran yang lebih efektif bagi setiap kelompok siswa.
IV.
Kesimpulan Dalam penelitian ini, analisis menggunakan algoritma K-Means pada perilaku belajar mahasiswa di platform Kalam.
id memberikan wawasan mendalam tentang pola preferensi belajar.
Hasilnya menunjukkan bahwa mahasiswa dapat dikelompokkan ke dalam klaster berdasarkan kesamaan karakteristik belajar mereka.
Penelitian ini memberikan kontribusi penting bagi perkembangan pembelajaran online di platform Kalam.
Dengan pemahaman yang lebih mendalam tentang kebutuhan dan preferensi belajar mahasiswa, diharapkan dapat terus dilakukan inovasi untuk menciptakan lingkungan pembelajaran yang lebih efektif, responsif, dan memotivasi.
Semoga temuan ini menjadi landasan bagi perbaikan berkelanjutan dalam dunia pendidikan digital.
Hubungan Positif antara Waktu Akses dan Kinerja Akademik:
Penelitian menunjukkan adanya hubungan positif antara waktu akses ke situs kalam.
UTS.
UAS, dan tugas dengan nilai akhir mahasiswa.
Mahasiswa yang lebih sering mengakses situs dan aktif dalam menyelesaikan tugas cenderung memperoleh nilai akhir yang lebih tinggi.
Pola Perilaku Belajar yang Beragam: Analisis klasterisasi mengidentifikasi tiga klaster mahasiswa dengan pola perilaku belajar yang berbeda-beda.
Visualisasi clustering memberikan wawasan tentang variasi waktu akses dan nilai akhir di setiap klaster, yang dapat digunakan untuk menyusun strategi pembelajaran yang lebih efektif dan disesuaikan dengan karakteristik masing-masing kelompok mahasiswa.
Daftar Pustaka