Pemodelan Gaya Belajar Siswa dengan Menggunakan Support Vector Machine

Abstract

Gaya belajar siswa memiliki pengaruh signifikan dalam pemahaman dan penyerapan materi pelajaran. Penelitian ini bertujuan untuk menggunakan metode Support Vector Machine (SVM) dalam mengklasifikasikan gaya belajar siswa dan membentuk kelompok belajar yang sesuai. Dalam penelitian ini, data gaya belajar siswa dikumpulkan dan dianalisis menggunakan SVM sebagai algoritme klasifikasi. Evaluasi hasil menunjukkan tingkat akurasi sebesar 88% dengan confusion matrix. Hasil ini mengindikasikan bahwa SVM efektif dalam menentukan kelompok belajar yang serupa berdasarkan gaya belajar siswa. Penelitian ini memberikan kontribusi penting dalam memahami pentingnya penyesuaian gaya belajar siswa, yang memungkinkan guru untuk mengoptimalkan pengelompokan siswa berdasarkan gaya belajar individu mereka. Selain itu, hasil evaluasi juga memberikan informasi lengkap tentang kinerja model SVM termasuk confusion matrix. Dengan tingkat akurasi yang memadai, penelitian ini dapat mendukung pengembangan lingkungan pembelajaran yang inklusif, responsif, dan efektif bagi siswa.