Analisis Kesiapan Mahasiswa IPB Mengikuti E-Learning dengan Model Rasch Menggunakan Metode Decision Tree dan Ensemble

Abstract

Di abad ke-21 perkembangan teknologi semakin pesat. Perkembangan teknologi tersebut membuat perubahan dalam segala aspek yang salah satunya adalah bidang pendidikan. Pendidikan yang diajarkan secara konvensional mulai beradaptasi dengan adanya perkembangan digital menjadi pembelajaran e-learning. IPB merupakan salah satu universitas yang mempersiapkan diri dalam menghadapi tantangan perkembangan teknologi dan perubahan yang akan terjadi di masa mendatang dengan merancang kurikulum Pendidikan Milenial IPB 4.0. Terdapat lima karakter dan dimensi yang akan dilakukan, salah satunya adalah dimensi pembelajaran dengan tempat dan waktu bukan sebagai batasan. Hal ini menunjukkan IPB sudah mulai melihat tantangan ke depan dengan mengembangkan pembelajaran berbasis elektronik (e-learning) yang membuat tempat dan jarak bukan lagi menjadi penghalang dalam proses pembelajaran. Dalam penerapan pembelajaran e-learning diperlukan kesiapan dari mahasiswa dalam mengikuti kurikulum tersebut. Oleh karena itu, penelitian ini bertujuan untuk menganalisis kesiapan mahasiswa mengikuti pembelajaran e-learning dengan Model Rasch menggunakan metode decision tree dan ensemble. Penelitian ini merupakan penelitian kuantitatif dengan menggunakan instrumen non tes berupa angket dengan menggunakan skala Likert. Skala Likert yang digunakan adalah skala dari angka 1 yang menyatakan mahasiswa sangat kurang siap hingga angka 5 yang menyatakan mahasiswa sangat siap. Sampel yang digunakan adalah mahasiswa IPB tahun 2021. Mahasiswa tersebut memiliki latar belakang daerah yang beragam serta terdampak pandemi sehingga masih beradaptasi dari pembelajaran yang sebelumnya adalah konvensional menjadi pembelajaran digital. Teknik analisis dalam penelitian ini menggunakan Model Rasch, decision tree, dan ensemble. Dengan menggunakan pendekatan ini, dianalisis kesiapan mahasiswa mengikuti pembelajaran e-learning dan diprediksi menggunakan machine learning kesiapan mahasiswa baru di luar responden dengan menggunakan prediktor yang jauh lebih sedikit. Prediktor yang digunakan adalah fakultas, jenis kelamin, asal SMA, domisili, dan pengalaman mahasiswa mengikuti pembelajaran e-learning pada jenjang sebelumnya. Hasil dari penelitian didapatkan nilai reliabilitas item sebesar 0,93, reliabilitas person sebesar 0,97, dan Cronbach Alpha sebesar 0,99. Nilai standar deviasi sebesar 2,34 dan rata-rata logit responden sebesar 1,9. Sebesar 34% mahasiswa memiliki kesiapan sangat memadai dengan nilai person measure > 2,34. Sebesar 4% mahasiswa memiliki kesiapan cukup memadai dengan nilai 1,9 < person measure < 2,34. Sebesar 62% mahasiswa memiliki kesiapan kurang memadai dengan nilai person measure < 1,9. Berdasarkan person measure dari Model Rasch dapat disimpulkan mahasiswa laki-laki dan yang memiliki pengalaman mengikuti pembelajaran e-learning memiliki kesiapan sangat memadai untuk mengikuti pembelajaran e-learning di tingkat universitas. Selain itu, metode machine learning mampu memprediksi kesiapan mahasiswa dalam mengikuti e-learning berdasarkan nilai person measure yang diukur dari Model Rasch. Hasil dari klasifikasi decision tree adalah mahasiswa fakultas FMIPA, mahasiswa berjenis kelamin laki-laki, mahasiswa berdomisili di JABODETABEK, mahasiswa berasal dari SMA di JABODETABEK, dan mahasiswa yang memiliki pengalaman pembelajaran e-learning pada jenjang sebelumnya cenderung memiliki kesiapan yang cukup hingga sangat memadai. Nilai akurasi metode decision tree mencapai 75,97%. Selanjutnya metode ensemble mampu meningkatkan akurasi dari metode decision tree. Selain itu, ditemukan bahwa metode ensemble dengan metode LogitBoost (regresi logisik adaptif) merupakan metode terbaik berdasarkan akurasi (82,17%) dan waktu eksekusi (1,11 detik).

In the 21st century technological developments are increasingly rapid. These technological developments have made changes in all aspects, one of which is the field of education. Education taught conventionally is starting to adapt to digital developments into e-learning. IPB is one of the universities that is preparing itself to face the challenges of technological developments and changes that will occur in the future by designing the IPB 4.0 Millennial Education curriculum. There are five characters and dimensions that will be carried out, one of which is the learning dimension with place and time not as boundaries. This shows that IPB has begun to see the challenges ahead by developing e-learning which makes place and distance no longer a barrier to the learning process. In implementing e-learning, students are required to be prepared to follow the curriculum. Therefore, this research aims to analyze students’ readiness to take part in e-learning with the Rasch Model using decision tree and ensemble methods. This research is a quantitative research using a non test instruments in the form of questionnaires using a Likert scale. The Likert scale used is a scale from number 1 which states that students are very unprepared to number 5 which states students are very ready. The samples used were IPB students in 2021. These students have diverse regional backgrounds and have been affected by the pandemic so they are still adapting from previously conventional learning to digital learning. The analysis technique in this research uses Rasch Models, decision tree, and ensemble. Using this approach, students’ readiness to take part in e-learning was analyzed and predicted using machine learning the readiness of new students outside of respondents using far fewer predictors used are faculty, gender, high school origin, domicile, and student experience following e-learning at previous levels. The result of the research showed that the item reliability value was 0,93, person reliability was 0,97, and Cronbach Alpha was 0,99. The standard deviation value was 2,34 and the average logit of respondents was 1,9. 34% of students have very adequate readiness with a person measure value of > 2,34. 4% of students have adequate readiness with a score of 1,9 < person measure < 2,34. 62% of students have inadequate readiness with a person measure value < 1,9. Based on person measure from the Rasch Model, it can be concluded that male students and those with experience participating in e-learning have adequate readiness to participate in e-learning at the university level. The machine learning method can also predict students’ readiness to participate in e-learning based on person measure values measured from the Rasch Model. The results of the decision tree classification of FMIPA faculty students, male students, students domiciled in JABODETABEK, students from high schools in JABODETABEK, and students who have an e-learning learning experience at the previous level tend to have adequate to very adequate readiness. The accuracy value of the decision tree method reached 75,97%. Furthermore, the ensemble method can increase the accuracy of the decision tree method. In addition, it was found that the ensemble method with the LogitBoost method (adaptive logical regression) was the best method based on accuracy (82,17%) and execution time (1,11 s).