Klasterisasi Gaya Belajar Mahasiswa Berbasis VARK dengan Algoritma DBSCAN untuk Personalisasi E-Learning

Abstract

Ketidaksesuaian antara sistem e-learning dengan gaya belajar mahasiswa masih menjadi tantangan utama dalam meningkatkan efektivitas pembelajaran di perguruan tinggi Indonesia. Penelitian ini bertujuan untuk mengelompokkan gaya belajar mahasiswa Universitas Jenderal Achmad Yani menggunakan model VARK (Visual, Auditory, Read/Write, Kinesthetic) yang diperkaya dengan metode Kano. Data dikumpulkan dari 1.000 mahasiswa melalui kuesioner VARK-Kano dan dianalisis menggunakan algoritma DBSCAN (Density-Based Spatial Clustering of Applications with Noise). Proses klasterisasi dilakukan dengan penentuan parameter optimal menggunakan k-distance plot, dan validitas klaster dinilai dengan Silhouette Score. Hasil penelitian menunjukkan bahwa DBSCAN dapat membentuk klaster gaya belajar mahasiswa yang representatif dan mendeteksi data noise secara efektif. Penelitian ini berkontribusi pada pengembangan kerangka kerja e-learning adaptif berbasis klasterisasi gaya belajar yang dapat diimplementasikan di perguruan tinggi Indonesia. Temuan ini dapat menjadi dasar untuk merancang strategi pembelajaran adaptif yang lebih sesuai dengan karakteristik mahasiswa, sehingga dapat meningkatkan efektivitas e-learning dan motivasi belajar.