Klasifikasi Tingkat Kebingungan Siswa Terhadap Video Pembelajaran Massive Open Online Source (MOOC) Menggunakan Metode Support Vector Machine (SVM)

  • Tukhfatur Rizmah Azis Universitas Negeri Surabaya

Abstract

Pembelajaran online telah dilakukan oleh beberapa dosen maupun siswa dalam menyampaikan dan menerima materi. Hal ini biasa dilakukan dengan memberikan video di platform kelas online atau mengajak bergabung dalam ruang obrolan online. MOOC atau Massive Open Online Course adalah salah satu platform kursus online yang telah digunakan oleh kalangan dosen, peneliti, dan siswa dengan menyuguhkan video pembelajaran kepada siswa dari dosen. Namun setelah adanya pembelajaran online terdapat perbedaan perilaku siswa ketika menerima pembelajaran online dan offline. Tidak seperti pendidikan di kelas, di mana guru dapat menilai apakah siswa dapat memahami materi melalui pertanyaan verbal atau bahasa tubuh mereka. Maka dalam hal ini penelitian akan difokuskan pada salah satu permasalahan yakni mendeteksi tingkat kebingungan pada siswa saat menonton video pembelajaran dengan menggunakan metode Support Vector Machine (SVM) dan data sinyal electroencephalography (EEG). Analisis dilakukan dengan melakukan perbandingan nilai ketepatan klasifikasi dari tiga fungsi kernel SVM yakni linear, Radial Basic Function (RBF), serta Polinomial Regresi. Berdasarkan pengolahan data yang telah diperoleh pada metode SVM Linear pada pre-defined label mendapatkan hasil akurasi mencapai 63,16% pada user-defined label mendapatkan hasil akurasi mencapai 63,16%. Sedangkan metode Polinomial Regresi pada pre-defined label mendapatkan hasil akurasi mencapai 68,42%, pada user-defined label mendapatkan hasil akurasi mencapai 57,89%.  Serta metode RBF pada pre-defined label mendapatkan hasil akurasi mencapai 63,16% pada user-defined label mendapatkan hasil akurasi mencapai 57,89%. Hal ini menunjukkan bahwa metode SVM dapat digunakan untuk mengklasifikasikan data sinyal EEG.

Kata Kunci: SVM, MOOC, Sinyal Electroencephalography, Linear, RBF, Polinomial Regresi.

Published
2021-08-31
Section
Articles
Abstract Views: 107
PDF Downloads: 95