STUDI PERBANDINGAN ALGORITMA PEMBELAJARAN MESIN DALAM MENGIDENTIFIKASI PREFERENSI GAYA BELAJAR MAHASISWA DENGAN DISABILITAS PADA VIRTUAL LEARNING ENVIRONMENT

Penelitian ini bertujuan untuk mengevaluasi dan membandingkan performa beberapa algoritma machine learning dalam memprediksi gaya belajar mahasiswa disabilitas pada platform pembelajaran daring. Data yang digunakan berasal dari Open University Learning Analytics Dataset (OULAD), yang mencakup informasi interaksi mahasiswa dengan Virtual Learning Environment (VLE) serta data demografis seperti status disabilitas. Metode yang diterapkan meliputi Logistic Regression, Naïve Bayes, Support Vector Machine (SVM), K-Nearest Neighbors (KNN), dan Multi-Layer Perceptron (MLP). Hasil penelitian menunjukkan bahwa MLP memberikan performa terbaik dengan akurasi yang lebih tinggi dibandingkan algoritma lainnya, terutama dalam menangkap pola kompleks pada data. Aktivitas pembelajaran berbasis visual, seperti membaca materi dan menonton video, ditemukan sebagai indikator dominan dalam menentukan gaya belajar mahasiswa disabilitas. Namun, penelitian ini memiliki keterbatasan, seperti tidak adanya stratifikasi berdasarkan kategori gaya belajar dan penggunaan dataset yang terbatas pada konteks tertentu. Penelitian ini menyarankan agar data di masa mendatang mencakup kategori disabilitas yang lebih spesifik untuk menghasilkan rekomendasi pembelajaran yang lebih akurat. Selain itu, pengembangan model pembelajaran yang lebih inklusif berbasis data lokal diharapkan dapat meningkatkan kualitas pembelajaran daring, terutama untuk mahasiswa disabilitas.