Analisis Pola Belajar Mahasiswa Pada Platform Pembelajaran Daring (Studi Kasus: LeADS UPNVJ)
DOI:
https://doi.org/10.25077/TEKNOSI.v11i3.2025.226-234Kata Kunci:
big data, learning analytics, pola belajar, random forest, pembelajaran daringAbstrak
Kebutuhan pembelajaran jarak jauh mendorong pemanfaatan platform pembelajaran daring sebagai media utama yang mendukung proses belajar mengajar di perguruan tinggi. Salah satu tantangan dalam implementasi sistem ini adalah kemampuan untuk memahami pola belajar mahasiswa secara objektif dan berbasis data. Penelitian ini bertujuan untuk mengidentifikasi dan menganalisis pola belajar mahasiswa pada Learning Management System (LMS) LeADS di Universitas Pembangunan Nasional Veteran Jakarta melalui pendekatan analisis big data. Data penelitian berupa log aktivitas mahasiswa pada LMS yang mencakup interasi akadeik seperti melihat materi, mengumpulkan tugas, mengerjakan kuis, dan partisipasi diskusi selama empat semester di program studi Sistem Informasi. Metode penelitian menggunakan pendekatan kuantiatif sesuai dengan siklus hidup big data. Algoritma Random Forest digunakan untuk mengklasifikasikan waktu belajar mahasiswa dengan optimasi parameter menggunakan metode Grid Search. Hasil penelitian menunjukkan bahwa partisipasi aktif relatif rendah yang mengindikasi pola belajar cenderung pasif. Konsistensi dan keterlibatan mahasiswa dalam LMS memiliki pengaruh yang lebih signifikan pada prestasi akademik dibandingkan waktu belajar dominan mahasiswa. Model Random Forest yang dibangun memiliki akurasi 88%, namun performanya belum optimal dalam mengklasifikasi kelas dengan jumlah terbatas. Hail pemenillitian ini menunjukkan pentingnya pemanfaatan data log LMS untuk memahami perilaku belajar mahasiswa secara lebih komprehensif serta membuka peluang pengembangan strategi pembelajaran adaptif berbasis data. Selain itu, hasil penelitian ini memberikan dasar bagi institusi pendidikan untuk merancang intervensi pembelajaran yang lebih efektif dan personal sesuai kebutuhan mahasiswa.Referensi
LeADS UPNVJ, “LMS LeADS UPNVJ.” Accessed: Jul. 30, 2025. [Online]. Available: https://leads.upnvj.ac.id/#:~:text=Learning%20Management%20System%20,diharapkan%20dapat%20tercapai%20secara%20efektif
Y. A. Abdillah, I. Q. Utami, W. B. M. Setiyawan, M. R. Pratama, I. R. Afani, and A. Y. Pramesti, “Design and Development of Interactive Moodle using Design Thinking to Support Online Learning,” Elinvo (Electronics, Informatics, and Vocational Education), vol. 9, no. 2, pp. 208–219, Oct. 2024, doi: 10.21831/elinvo.v9i2.75255.
S. Muhuri and D. Mukhopadhyay, “Extracting the Relationships Among Students Based on Accessing Pattern of Digital Learning Attributes,” IEEE Transactions on Learning Technologies, vol. 15, no. 6, pp. 747–756, Dec. 2022, doi: 10.1109/TLT.2022.3166537.
D. Shafiq, M. Marjani, R. Habeeb, and D. Asirvatham, “Digital Footprints of Academic Success: An Empirical Analysis of Moodle Logs and Traditional Factors for Student Performance,” Educ Sci (Basel), vol. 15, no. 3, p. 304, Feb. 2025, doi: 10.3390/educsci15030304.
E. Banjarnahor, D. P. Sibarani, B. Wibawanta, D. A. G. Sihotang, and Y. A. S. Abraham, “A Machine Learning Approach to Predicting Student Success Through Data Mining of LMS Moodle Activity Data,” in 2025 4th International Conference on Electronics Representation and Algorithm (ICERA), IEEE, Jun. 2025, pp. 233–238. doi: 10.1109/ICERA66156.2025.11086633.
M. Riestra-González, M. del P. Paule-Ruíz, and F. Ortin, “Massive LMS log data analysis for the early prediction of course-agnostic student performance,” Comput Educ, vol. 163, p. 104108, Apr. 2021, doi: 10.1016/j.compedu.2020.104108.
M. M. Tamada, R. Giusti, and J. F. de Magalhaes Netto, “Predicting Student Performance Based on Logs in Moodle LMS,” in 2021 IEEE Frontiers in Education Conference (FIE), IEEE, Oct. 2021, pp. 1–8. doi: 10.1109/FIE49875.2021.9637274.
S. Maloney et al., “Using LMS Log Data to Explore Student Engagement with Coursework Videos,” Online Learning, vol. 26, no. 4, Dec. 2022, doi: 10.24059/olj.v26i4.2998.
R. C. Raga and J. D. Raga, “A comparison of college faculty and student class activity in an online learning environment using course
log data,” in 2017 IEEE SmartWorld, Ubiquitous Intelligence & Computing, Advanced & Trusted Computed, Scalable Computing & Communications, Cloud & Big Data Computing, Internet of People and Smart City Innovation (SmartWorld/SCALCOM/UIC/ATC/CBDCom/IOP/SCI), IEEE, Aug. 2017, pp. 1–6. doi: 10.1109/UIC-ATC.2017.8397475.
E. Araka, R. Oboko, E. Maina, and R. Gitonga, “Using Educational Data Mining Techniques to Identify Profiles in Self-Regulated Learning: An Empirical Evaluation,” The International Review of Research in Open and Distributed Learning, vol. 23, no. 1, pp. 131–162, Feb. 2022, doi: 10.19173/irrodl.v22i4.5401.
M. Cantabella, R. Martínez-España, B. Ayuso, J. A. Yáñez, and A. Muñoz, “Analysis of student behavior in learning management systems through a Big Data framework,” Future Generation Computer Systems, vol. 90, pp. 262–272, Jan. 2019, doi: 10.1016/j.future.2018.08.003.
A. Lulli, L. Oneto, and D. Anguita, “Mining Big Data with Random Forests,” Cognit Comput, vol. 11, no. 2, pp. 294–316, Apr. 2019, doi: 10.1007/s12559-018-9615-4.
F. E. EL Habti, “Enhancing Student Performance Prediction in e-Learning Ecosystems Using Machine Learning Techniques,” International Journal of Information and Education Technology, vol. 15, no. 2, pp. 301–311, 2025, doi: 10.18178/ijiet.2025.15.2.2243.
Y. A. Saadoon and R. H. Abdulamir, “Improved Random Forest Algorithm Performance For Big Data,” J Phys Conf Ser, vol. 1897, no. 1, p. 012071, May 2021, doi: 10.1088/1742-6596/1897/1/012071.
R. I. E. Saragih, “Predicting Student Academic Performance Using Random Forest Regression: A Case Study on LMS Behavioral Data,” International Journal of Information System and Innovative Technology, vol. 4, no. 1, pp. 11–14, Jun. 2025, doi: 10.63322/rm0wcg63.
A. Bessadok, E. Abouzinadah, and O. Rabie, “Exploring students digital activities and performances through their activities logged in learning management system using educational data mining approach,” Interactive Technology and Smart Education, vol. 20, no. 1, pp. 58–72, Feb. 2023, doi: 10.1108/ITSE-08-2021-0148.
K. Jawad, M. A. Shah, and M. Tahir, “Students’ Academic Performance and Engagement Prediction in a Virtual Learning Environment Using Random Forest with Data Balancing,” Sustainability, vol. 14, no. 22, p. 14795, Nov. 2022, doi: 10.3390/su142214795.
Á. Hernández-García, C. Cuenca-Enrique, L. Del-Río-Carazo, and S. Iglesias-Pradas, “Exploring the relationship between LMS interactions and academic performance: A Learning Cycle approach,” Comput Human Behav, vol. 155, p. 108183, Jun. 2024, doi: 10.1016/j.chb.2024.108183.
D. Liu, “Study on Online Learning Behavior Analysis and Performance Prediction Based on Improved Random Forest Algorithm,” Creat Educ, vol. 14, no. 08, pp. 1527–1535, 2023, doi: 10.4236/ce.2023.148097.
M. Adnan et al., “Predicting at-Risk Students at Different Percentages of Course Length for Early Intervention Using Machine Learning Models,” IEEE Access, vol. 9, pp. 7519–7539, 2021, doi: 10.1109/ACCESS.2021.3049446.
Y. Bai, M. Bosu, and D. Abuaiadah, “Predicting Learning Outcomes in an Online Learning Platform,” in Proceedings: CITRENZ 2023 Conference, Auckland, 27-29 September, Unitec ePress, Jul. 2024, pp. 78–90. doi: 10.34074/proc.240111.
T. Erl, W. Khattak, and P. Buhler, Big data fundamentals: concepts, drivers & techniques. Prentice Hall Press, 2016.
G. G. Hamshin, A. Y. Omar, O. S. Said, and S. S. Saleh, “Leveraging big data analytics to enhance E-learning services,” Int Neurourol J, vol. 27, no. 4, pp. 1529–1542, 2023.
O. Ovtšarenko, “Innovative techniques for e-learning log data processing: Trends and methods,” Journal of Innovation & Knowledge, vol. 10, no. 5, p. 100765, Sep. 2025, doi: 10.1016/j.jik.2025.100765.
H. Ahmed and M. A. Ismail, “A Structured Approach Towards Big Data Identification,” IEEE Trans Big Data, vol. 9, no. 1, pp. 147–159, Feb. 2023, doi: 10.1109/TBDATA.2021.3139069.
D. García-Gil, J. Luengo, S. García, and F. Herrera, “Enabling Smart Data: Noise filtering in Big Data classification,” Inf Sci (N Y), vol. 479, pp. 135–152, Apr. 2019, doi: 10.1016/j.ins.2018.12.002.
Y. Li et al., “Cluster-based data filtering for manufacturing big data systems,” Journal of Quality Technology, vol. 54, no. 3, pp. 290–302, May 2022, doi: 10.1080/00224065.2021.1889420.
R. Nair and A. Bhagat, “A Life Cycle on Processing Large Dataset - LCPL,” Int J Comput Appl, vol. 179, no. 53, pp. 27–34, Jun. 2018, doi: 10.5120/ijca2018917382.
C. Xie, J. Gao, and C. Tao, “Big Data Validation Case Study,” in 2017 IEEE Third International Conference on Big Data Computing Service and Applications (BigDataService), IEEE, Apr. 2017, pp. 281–286. doi: 10.1109/BigDataService.2017.44.
C. O’HIGGINS, C. KENT, D. HESTER, and S. TAYLOR, “Validation Of Data For Use In Civil Infrastructure Big Data Applications,” in Proceedings of the 14th International Workshop on Structural Health Monitoring, Destech Publications, Inc., Sep. 2023. doi: 10.12783/shm2023/36757.
P. P. Ippolito, “Hyperparameter Tuning,” 2022, pp. 231–251. doi: 10.1007/978-3-030-88389-8_12.
Unduhan
Telah diserahkan
Diterima
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Jurnal Nasional Teknologi dan Sistem Informasi
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Hak cipta untuk artikel ini ditransfer ke Jurnal Nasional Teknologi dan Sistem Informasi (TEKNOSI) jika dan ketika artikel diterima untuk publikasi. Yang bertanda tangan di bawah ini dengan ini mentransfer setiap dan semua hak di dalam dan ke kertas termasuk tanpa batasan semua hak cipta untuk TEKNOSI. Yang bertanda tangan di bawah ini dengan ini menyatakan dan menjamin bahwa makalah tersebut asli dan bahwa ia adalah pembuat makalah, kecuali untuk bahan yang secara jelas diidentifikasi sebagai sumber aslinya, dengan pemberitahuan izin dari pemilik hak cipta jika diperlukan. Yang bertanda tangan di bawah ini menyatakan bahwa ia memiliki kekuatan dan wewenang untuk membuat dan melaksanakan penugasan ini.
Kami menyatakan bahwa:
- Makalah ini belum diterbitkan dalam bentuk yang sama di tempat lain.
- Makalah ini tidak akan dikirimkan di tempat lain untuk publikasi sebelum penerimaan/penolakan oleh Jurnal ini
- Izin hak cipta diperoleh untuk materi yang diterbitkan di tempat lain dan yang memerlukan izin ini untuk reproduksi.
Selanjutnya, Saya/kami dengan ini mentransfer hak publikasi yang tidak terbatas dari makalah yang disebutkan di atas secara keseluruhan kepada TEKNOSI. Transfer hak cipta mencakup hak untuk mereproduksi dan mendistribusikan artikel, termasuk cetak ulang, terjemahan, reproduksi foto, mikroform, bentuk elektronik (offline, online) atau reproduksi lain yang serupa.
Penulis yang sesuai menandatangani dan menerima tanggung jawab untuk merilis materi ini atas nama setiap dan semua penulis bersama. Perjanjian ini harus ditandatangani oleh setidaknya salah satu penulis yang telah memperoleh persetujuan dari rekan penulis jika berlaku. Setelah pengajuan perjanjian ini ditandatangani oleh penulis yang sesuai, perubahan kepengarangan atau dalam urutan penulis yang tercantum tidak akan diterima.
Hak / Syarat dan Ketentuan yang dipertahankan :
- Penulis memiliki semua hak kepemilikan dalam setiap proses, prosedur, atau artikel manufaktur yang dijelaskan dalam Karya ini.
- Penulis dapat mereproduksi atau mengotorisasi orang lain untuk mereproduksi karya ini atau karya turunannya untuk penggunaan pribadi penulis atau untuk penggunaan perusahaan, dengan ketentuan bahwa sumber dan menyatakan hak cipta dimiliki TEKNOSI, salinan tidak digunakan dengan cara apa pun yang menyiratkan pengesahan TEKNOSI atas suatu produk atau layanan dari pihak mana pun, dan salinannya sendiri tidak ditawarkan untuk dijual.
- Meskipun penulis diizinkan untuk menggunakan kembali semua atau sebagian dari karya ini dalam karya lain, ini tidak termasuk mengabulkan permintaan pihak ketiga untuk mencetak ulang, menerbitkan ulang, atau jenis penggunaan ulang lainnya.
This work is licensed under a 