Klasifikasi Gaya Belajar Kolb Menggunakan Gaussian Naive Bayes Berdasarkan Proporsi Jawaban, Durasi Pengerjaan, dan Efisiensi

Purba, William (2026) Klasifikasi Gaya Belajar Kolb Menggunakan Gaussian Naive Bayes Berdasarkan Proporsi Jawaban, Durasi Pengerjaan, dan Efisiensi. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_I.pdf Download (225kB)
	PDF BAB_II.pdf Download (490kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (538kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (450kB)
	PDF BAB_V.pdf Restricted to Registered users only Download (210kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (219kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)
	Archive (ZIP) 00000066368_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Perbedaan karakteristik belajar pada setiap individu menyebabkan kebutuhan terhadap pendekatan pembelajaran yang lebih personal. Salah satu pendekatan yang dapat digunakan adalah identifikasi gaya belajar berdasarkan model Kolb yang mengelompokkan gaya belajar menjadi empat kategori, yaitu Diverger, Assimilator, Converger, dan Accommodator. Penelitian ini bertujuan untuk membangun model klasifikasi gaya belajar Kolb menggunakan algoritma Gaussian Naive Bayes berdasarkan data perilaku pengguna selama proses pengerjaan soal. Data perilaku pengguna berupa pola jawaban dan waktu pengerjaan diproses melalui tahap feature engineering untuk menghasilkan fitur numerik berupa proporsi jawaban, transformasi logaritmik waktu pengerjaan, dan indeks efisiensi. Model dievaluasi menggunakan data pengujian dengan metode Stratified Train-Test Split rasio 80:20 menggunakan metrik Accuracy, Precision, Recall, dan Macro F1-Score. Hasil eksperimen menunjukkan bahwa konfigurasi fitur terbaik diperoleh menggunakan fitur proporsi jawaban. Model Gaussian Naive Bayes memperoleh nilai Accuracy sebesar 93,75%, Precision sebesar 94,64%, Recall sebesar 93,75%, dan Macro F1-Score sebesar 92,95%. Hasil tersebut menunjukkan bahwa model mampu melakukan klasifikasi gaya belajar Kolb dengan performa yang baik berdasarkan karakteristik pola jawaban pengguna.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Purba, William (00000066368)
Contributors:	Twince Tobing, Fenina Adline
Keywords:	Feature engineering, Gaussian Naive Bayes, Gaya belajar Kolb, Klasifikasi, Proporsi jawaban x Klasifikasi Gaya Belajar..., William Purba, Universitas Multimedia Nusantara
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	31 Jul 2026 11:57
URI:	https://kc.umn.ac.id/id/eprint/49091

Actions (login required)

View Item