<![CDATA[Dalam platform online, pembelajar yang berbeda memiliki gaya belajar yang berbeda berdasarkan perilaku belajar. Oleh karena itu, menganalisis perilaku dan mendeteksi gaya belajar mahasiswa adalah penting untuk memberikan rekomendasi sumber daya yang tepat, sehingga meningkatkan hasil belajar mahasiswa. Untuk memprediksi gaya belajar mahasiswa, dihitung dan dibandingkan kinerja algoritma pembelajaran mesin seperti regresi logistik, pohon penentuan, K-Nearest neighbour, support vector machine, neural network, dan Naive Bayes. Dataset terdiri dari seratus mahasiswa teknik yang belajar Arsitektur Komputer selama satu semester. Studi berbasis data seperti ini sangat penting untuk membangun sistem analisis pembelajaran di institusi pendidikan tinggi dan membantu proses pengambilan keputusan. Hasilnya menunjukkan bahwa model yang disarankan mencapai akurasi klasifikasi sebesar 65–78% dengan hanya empat parameter digunakan: nilai akhir, predikat, program studi, dan jenis kelamin. Hasil menunjukkan bahwa algoritma K-Nearest Neighbour memiliki tingkat akurasi 78% tertinggi dibandingkan dengan algoritma machine learning lainnya. Ini menunjukkan bahwa ada korelasi yang signifikan antara data aktual dan data prediksi. Hasilnya menunjukkan bahwa 78% sampel diklasifikasikan dengan benar. Hasil empiris dari penelitian ini memungkinkan pemahaman yang lebih baik tentang proses penggalian data pendidikan perguruan tinggi saat ini. Pemahaman ini dapat digunakan untuk mempertimbangkan faktor-faktor yang perlu dipertimbangkan oleh para mahasiswa teknik saat membuat keputusan tentang proses pembelajaran. Abstract In online platforms, different learners have different learning styles based on learning behavior. Therefore, analyzing behavior and detecting student learning styles is important to provide appropriate resource recommendations, thereby improving student learning outcomes. To predict student learning styles, the performance of machine learning algorithms such as logistic regression, determination trees, K-Nearest neighbors, support vector machines, neural networks, and Naive Bayes are calculated and compared. The dataset consists of one hundred engineering students studying Computer Architecture for one semester. Data-based studies like this are essential for building learning analytics systems in higher education institutions and aiding decision-making processes. The results show that the proposed model achieves a classification accuracy of 65–78% with only four parameters used: final grade, predicate, study program, and gender. The results show that the K-Nearest Neighbor algorithm has the highest accuracy rate of 78% compared to other machine learning algorithms. This shows that there is a significant correlation between the actual data and the predicted data. The results show that 78% of the samples were classified correctly. The empirical results of this research enable a better understanding of the current process of mining higher education education data. This understanding can be used to consider factors that engineering students need to consider when making decisions about the learning process.]]>
