OPTIMASI DETEKSI GAYA BELAJAR FELDER-SILVERMAN PADA LMS SPADA MELALUI AGREGASI FITUR DAN KLASIFIKASI MESIN VEKTOR PENDUKUNG = OPTIMIZATION OF FELDER-SILVERMAN LEARNING STYLE DETECTION ON LMS SPADA THROUGH FEATURE AGGREGATION AND SUPPORT VECTOR MACHINE CLASSIFICATION

Memahami Pendidikan modern menuntut pendekatan yang lebih fleksibel dalam
memenuhi kebutuhan individu mahasiswa. Pentingnya memahami gaya belajar
menjadi salah satu faktor kunci dalam meningkatkan efektivitas dan kualitas
pembelajaran, terutama dalam sistem daring berskala besar seperti LMS-
SPADA. Namun, penelitian sebelumnya yang menggunakan Mesin Vektor
Pendukung atau Support Vector Machine (SVM) untuk mendeteksi gaya belajar
umumnya dilakukan pada dataset berskala kecil dan homogen, seperti data dari
satu institusi atau program studi tertentu. Pada dataset seperti itu, SVM sering
menunjukkan akurasi yang tinggi. Sebaliknya, penerapan SVM pada data LMS-
SPADA yang heterogen dan berskala besar menghasilkan akurasi yang rendah
karena tingginya kompleksitas data dan keberadaan fitur yang tidak relevan.
Penelitian ini bertujuan untuk mengatasi keterbatasan tersebut dengan
mengembangkan metode deteksi otomatis gaya belajar berbasis Felder-
Silverman Learning Style Model (FSLSM) melalui integrasi SVM dan Recursive
Feature Elimination (RFE). Pendekatan ini mencakup ekstraksi dan agregasi fitur
dari aktivitas mahasiswa di LMS SPADA untuk menciptakan indikator yang
relevan dengan dimensi FSLSM (Processing, Perception, Input, dan
Understanding). Selanjutnya, RFE diterapkan untuk menyaring fitur yang tidak
signifikan, sehingga model dapat fokus pada fitur-fitur yang paling relevan.
Hasil penelitian menunjukkan bahwa integrasi SVM-RFE berhasil meningkatkan
akurasi klasifikasi, dengan hasil terbaik sebesar 95,76% untuk dimensi
Processing, 85,88% untuk Perception, 93,16% untuk Input, dan 96,42% untuk
Understanding. Dengan memanfaatkan data heterogen dan berskala besar dari
LMS SPADA, penelitian ini memperlihatkan bahwa optimalisasi melalui seleksi
fitur dapat secara signifikan meningkatkan akurasi model, menjadikan metode ini
lebih siap untuk diimplementasikan dalam lingkungan pembelajaran daring nasional