SISTEM ANALISIS GAYA BELAJAR MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOUR
Abstract: Gaya belajar
adalah cara atau
kebiasaan yang dilakukan
individu dalam menyerap, memproses, dan mengelola
informasi. Gaya belajar
merupakan faktor penting
yang menunjang bagi
tercapainya tujuan pembelajaran. Tipe
gaya belajar ada
tiga yaitu visual,
auditori dan kinestetik.
Tipe visual belajar
melalui apa yang mereka
lihat. Tipe auditori
belajar melalui apa
yang mereka dengar.
Sedangkan tipe kinestetik
belajar malalui gerak, emosi dan sentuhan. Tujuan dari penelitian ini
adalah membuat aplikasi untuk menganalisis gaya belajar seseorang sehingga
dapat diketahui gaya belajar dan cara belajar yang tepat untuk individu
tersebut. Cara belajar merupakan penerapan
dari tipe gaya
belajar yang telah
diketahui, sehingga memudahkan
seseorang dalam proses belajarnya. Metode yang digunakan adalah
membandingkan training data set dengan data uji yang kemudian diolah
menggunakan algoritma
K-Nearest Neighbour (KNN)
dalam proses data
mining untuk menganalisis gaya
belajar. Training data set yang
digunakan dalam sistem
ini merupakan data
hasil tes gaya belajar yang dihasilkan oleh Bela Hening
Hukama (2011), yang di dalamnya terdapat parameter-parameter tipe gaya belajar.
Algoritma K-Nearest Neighbour merupakan pendekatan untuk mencari kasus baru
dengan kasus lama, yaitu berdasarkan
pada pencocokan bobot
dari sejumlah fitur
yang ada. Hasil
dari penelitian ini adalah aplikasi analisis gaya belajar
berdasarkan pernyataan-pernyataan yang berisi parameter gaya belajar yang sudah
ditentukan yang dapat menentukan gaya belajar yang tepat dengan akurasi 88%. Kesimpulan
dari penelitian ini adalah algoritma
K-Nearest Neighbour dapat diimplementasikan dalam
kasus ini dengan
akurasi yang paling optimal sebesar 88%, yaitu pada K = 9.
Error banyak terjadi pada parameter yang merupakan kombinasi dari beberapa tipe
gaya belajar, dan error terbesar yaitu pada parameter kombinasi visual,
auditori dan kinestetik.
Penulis: Sulton Ginanjar
Abdullah
Kode Jurnal: jptinformatikadd140553