IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOR UNTUK MENGESTIMASI COMPUTATIONAL THINKING MAHASISWA DALAM PEMBELAJARAN HYBRID

Abstract

Pembelajaran hybrid merupakan gabungan antara pembelajaran tradisional dan elektronik yang dilakukan melalui internet, seperti melalui web dan streaming video, yang dapat dipadukan dengan pembelajaran tatap muka. Dalam pembelajaran hybrid, computational thinking sangat penting sebagai metode untuk menyelesaikan masalah dengan menggunakan teknik dan algoritma yang sering digunakan dalam membuat program perangkat lunak. Namun, masih terdapat permasalahan dalam pemahaman mahasiswa tentang implementasi computational thinking dalam pembelajaran hybrid serta belum ditemukan cara yang tepat untuk mengukur nilai computational thinking di STMIK IKMI Cirebon. Oleh karena itu, penelitian ini bertujuan untuk mengetahui tingkat akurasi computational thinking mahasiswa dalam pembelajaran hybrid dengan menggunakan metode k-nearest neighbor. Data yang digunakan untuk mengestimasi nilai computational thinking mahasiswa adalah data kartu hasil studi semester 6 mahasiswa angkatan 2019 dan hasil kuesioner. Hasil penelitian menunjukkan bahwa algoritma k-nearest neighbor memiliki tingkat akurasi sebesar 97,86% dengan nilai root mean squared error sebesar 0,128. Penelitian ini memberikan informasi bahwa estimasi computational thinking dalam pembelajaran hybrid menggunakan teknik machine learning dapat memberikan hasil yang relatif rendah dalam nilai error serta tingkat akurasi yang memuaskan. Hasil penelitian ini dapat membantu pihak kampus dalam mengembangkan pembelajaran hybrid dengan menerapkan computational thinking secara lebih efektif dan optimal, serta dapat dijadikan referensi untuk penelitian selanjutnya.