KLASIFIKASI VIDEO PEMBELAJARAN DARING YANG MEMBINGUNGKAN SISWA DENGAN ALGORITMA K-STAR NEAREST NEIGHBOR

Massive Open Online Course (MOOC) adalah salah satu pembelajaran yang dilakukan secara daring melalui rekaman video yang dapat ditonton berulang kali sehingga memudahkan siswa dalam memahami pembelajaran. Namun pembelajaran ini dapat membingungkan siswa karena tidak ada umpan balik secara langsung dari guru. Untuk mengetahui tingkat kebingungan siswa terhadap video yang ditonton dapat menggunakan klasifikasi sinyal EEG. Pada penelitian ini digunakan algoritma K-Star Nearest Neighbor sebagai metode untuk mengklasifikasikan video MOOC yang membingungkan siswa melalui sinyal EEG. Penelitian ini bertujuan untuk mengetahui apakah algoritma K-Star Nearest Neighbor dapat digunakan untuk klasifikasi sinyal EEG ditinjau dari nilai akurasi. Dataset yang digunakan yaitu dataset Confused student EEG brainwave data bersumber dari Kaggle yang memiliki 15 atribut serta dua kelas yaitu kelas not confused dan confused. Data diambil dari 10 subyek dan masing-masing menonton 10 video MOOC berbeda. Sebelum proses klasifikasi, terlebih dahulu dilakukan normalisasi dan split validation. Akurasi terbaik untuk label pre-defined yaitu label pada video berdasarkan tingkat kebingungan yang diberikan oleh guru mencapai 63.33% dengan time split 0.42 detik, sedangkan untuk label user-defined yaitu label video berdasarkan tingkat kebingungan yang dialami oleh siswa dengan akurasi terbaik mencapai 73.33% dengan time split 0.13 detik. 

Massive Open Online Course (MOOC) is one of the online learning based through video recordings that can be watched repeatedly, making it easier for students to understand learning materials. However, this learning can confuse students because there is no direct feedback from the teacher. EEG signal classification can be used to determine the level of student confusion based on the video. In this study, the K-Star Nearest Neighbor algorithm is used as a method for classifying MOOC videos that confuse students through EEG signals. This study aims to determine whether the K-Star Nearest Neighbor algorithm can be used for EEG signal classification in terms of its accuracy value. The dataset is Confused student EEG brainwave dataset from Kaggle which has 15 attributes and two classes, namely the not confused and confused classes. Data were taken from 10 subjects and each watched 10 MOOC videos. Before the classification process, normalization and split validation are first carried out. The best accuracy for pre-defined labels, namely labels on videos based on the level of confusion given by the teacher, reached 63.33% with the time split is 0.42 seconds, while for user-defined labels, namely video labels based on the level of confusion that came by students with the best accuracy reached 73.33% with a time split of 0.13 seconds.