<![CDATA[Pembelajaran daring telah menjadi komponen penting dalam pendidikan tinggi, terutama dalam menghadapi tantangan pembelajaran jarak jauh. Learning Management System (LMS) menyediakan platform yang memungkinkan pemantauan aktivitas mahasiswa secara rinci. Namun, besarnya volume data log aktivitas pengguna di LMS menimbulkan tantangan dalam menganalisis pola pembelajaran yang relevan. Penelitian ini bertujuan untuk mengelompokkan mahasiswa berdasarkan aktivitas log mereka pada LMS menggunakan metode klasterisasi K-Means dan K-Medoids. Proses analisis diawali dengan tahap persiapan data, termasuk pembersihan, reduksi, transformasi, dan ekstraksi fitur utama, seperti frekuensi login, jumlah akses materi, partisipasi kuis, dan pengumpulan tugas. Evaluasi klaster optimal dilakukan dengan metode Elbow Method, Silhouette Index, dan Calinski-Harabasz Index, yang menentukan jumlah klaster terbaik pada K=3. Untuk menilai kualitas klasterisasi, digunakan metrik Davies-Bouldin Index (DBI). Hasil evaluasi menunjukkan bahwa algoritma K-Means memiliki nilai DBI lebih rendah (0,261) dibandingkan K-Medoids (0,340), yang menunjukkan bahwa K-Means lebih optimal dalam mengelompokkan aktivitas mahasiswa. Analisis lebih lanjut menunjukkan adanya korelasi positif antara aktivitas mahasiswa di LMS dengan performa akademik mereka. Mahasiswa dengan aktivitas tinggi memiliki rata-rata nilai akademik lebih baik (84,71), sedangkan mahasiswa dengan aktivitas rendah memiliki nilai rata-rata lebih rendah (55,80).]]>
Copyrights © 2025
