Klasifikasi Video Pembelajaran Daring yang Membingungkan Siswa dengan Algoritma K-Star Nearest Neighbor

Abstract

Massive Open Online Course (MOOC) adalah salah satu pembelajaran yang dilakukan secara daring melalui rekaman video yang dapat ditonton berulang kali sehingga memudahkan siswa dalam memahami pembelajaran. Namun pembelajaran ini dapat membingungkan siswa karena tidak ada umpan balik secara langsung dari guru. Untuk mengetahui tingkat kebingungan siswa terhadap video yang ditonton dapat menggunakan klasifikasi sinyal EEG. Pada penelitian ini digunakan algoritma K-Star Nearest Neighbor sebagai metode untuk mengklasifikasikan video MOOC yang membingungkan siswa melalui sinyal EEG. Penelitian ini bertujuan untuk mengetahui apakah algoritma K-Star Nearest Neighbor dapat digunakan untuk klasifikasi sinyal EEG ditinjau dari nilai akurasi. Dataset yang digunakan yaitu dataset Confused student EEG brainwave data bersumber dari Kaggle yang memiliki 15 atribut serta dua kelas yaitu kelas not confused dan confused. Data diambil dari 10 subyek dan masing-masing menonton 10 video MOOC berbeda. Sebelum proses klasifikasi, terlebih dahulu dilakukan normalisasi dan split validation. Akurasi terbaik untuk label pre-defined yaitu label pada video berdasarkan tingkat kebingungan yang diberikan oleh guru mencapai 63.33% dengan time split 0.42 detik, sedangkan untuk label user-defined yaitu label video berdasarkan tingkat kebingungan yang dialami oleh siswa dengan akurasi terbaik mencapai 73.33% dengan time split 0.13 detik.