PREDIKSI GAYA BELAJAR MAHASISWA PADA ELECTRONIC LEARNING SYSTEM MENGGUNAKAN FELDER-SILVERMAN LEARNING STYLE MODEL DAN RANDOM FOREST

Penerapan Learning Analytics dan Educational Data Mining dalam lingkungan Electronic Learning System memungkinkan pendidik untuk memahami karakteristik mahasiswa guna mendukung personalisasi pembelajaran. Penelitian ini bertujuan untuk memprediksi gaya belajar mahasiswa berdasarkan Felder-Silverman Learning Style Model , khususnya pada dimensi processing dan input, dengan memanfaatkan data log aktivitas mahasiswa di Universitas Amikom Purwokerto. Berbeda dengan penelitian sebelumnya yang umumnya menggunakan klasifikasi label tunggal, penelitian ini menerapkan pendekatan multi-label classification untuk menangkap kombinasi gaya belajar secara simultan. Tahapan pengembangan model diawali dengan penanganan missing value menggunakan metode imputasi median. Selanjutnya, tantangan class imbalance yang ekstrem pada dataset diatasi melalui pendekatan Random Oversampling. Untuk pemodelan klasifikasi multi-label, algoritma Random Forest diterapkan dan dikomparasikan kinerjanya dengan empat pendekatan lain, yaitu XGBoost, Self-Training, Support Vector Machine, dan RBF Network. Validasi model kemudian dilakukan menggunakan teknik Nested Cross-Validation guna menjamin objektivitas hasil. Hasil eksperimen menunjukkan bahwa algoritma Random Forest merupakan model terbaik dengan performa paling konsisten. Model ini mencapai skor F1-Macro sebesar (0,7063), mengungguli XGBoost (0,7052) dan Self-Training (0,6922). Selain itu, Random Forest menunjukkan stabilitas tertinggi dengan standar deviasi terendah (±0,0794) setelah melalui proses hyperparameter tuning. Penelitian ini menyimpulkan bahwa data perilaku dari log aktivitas ELS dapat diandalkan untuk memprediksi gaya belajar mahasiswa secara akurat, yang bermanfaat sebagai dasar rekomendasi strategi pembelajaran adaptif.