KLASIFIKASI TINGKAT KEBINGUNGAN SISWA TERHADAP VIDEO PEMBELAJARAN MASSIVE OPEN ONLINE SOURCE (MOOC) MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM)

CLASSIFICATION OF STUDENT CONFUSED LEVEL OF MASSIVE OPEN ONLINE SOURCE (MOOC) LEARNING VIDEO USING SUPPORT VECTOR MACHINE (SVM) METHOD

Pembelajaran online telah dilakukan oleh beberapa dosen maupun siswa dalam menyampaikan dan menerima materi. Hal ini biasa dilakukan dengan memberikan video di platform kelas online atau mengajak bergabung dalam ruang obrolan online. MOOC atau Massive Open Online Course adalah salah satu platform kursus online yang telah digunakan oleh kalangan dosen, peneliti, dan siswa dengan menyuguhkan video pembelajaran kepada siswa dari dosen. Namun setelah adanya pembelajaran online terdapat perbedaan perilaku siswa ketika menerima pembelajaran online dan offline. Tidak seperti pendidikan di kelas, di mana guru dapat menilai apakah siswa dapat memahami materi melalui pertanyaan verbal atau bahasa tubuh mereka. Maka dalam hal ini penelitian akan difokuskan pada salah satu permasalahan yakni mendeteksi tingkat kebingungan pada siswa saat menonton video pembelajaran dengan menggunakan metode Support Vector Machine (SVM) dan data sinyal electroencephalography (EEG). Analisis dilakukan dengan melakukan perbandingan nilai ketepatan klasifikasi dari tiga fungsi kernel SVM yakni linear, Radial Basic Function (RBF), serta Polinomial Regresi. Berdasarkan pengolahan data yang telah diperoleh pada metode SVM Linear pada pre-defined label mendapatkan hasil akurasi mencapai 63,16% pada user-defined label mendapatkan hasil akurasi mencapai 63,16%. Sedangkan metode Polinomial Regresi pada pre-defined label mendapatkan hasil akurasi mencapai 68,42%, pada user-defined label mendapatkan hasil akurasi mencapai 57,89%.  Serta metode RBF pada pre-defined label mendapatkan hasil akurasi mencapai 63,16% pada user-defined label mendapatkan hasil akurasi mencapai 57,89%. Hal ini menunjukkan bahwa metode SVM dapat digunakan untuk mengklasifikasikan data sinyal EEG.

Kata Kunci: SVM, MOOC, Sinyal Electroencephalography, Linear, RBF, Polinomial Regresi

Online learning has been carried out by several lecturers and students in delivering and receiving material. This is usually done by giving videos on online class platforms or inviting them to join online chat rooms. MOOC or Massive Open Online Course is an online course platform that has been used by lecturers, researchers, and students by presenting learning videos to students from lecturers. However, after online learning there are differences in student behavior when receiving online and offline learning. Unlike classroom education, where teachers can judge whether students can understand the material through verbal questions or their body language. So in this case the research will focus on one of the problems, namely detecting the level of confusion in students when watching learning videos using the Support Vector Machine (SVM) method and electroencephalography (EEG) signal data. The analysis was carried out by comparing the classification accuracy values ​​of the three SVM kernel functions, namely linear, Radial Basic Function (RBF), and Regression Polynomial. Based on data processing that has been obtained in the Linear SVM method on pre-defined labels, the accuracy results reach 63.16% on user-defined labels, the accuracy results reach 63.16%. While the Regression Polynomial method on pre-defined labels gets an accuracy of 68.42%, on user-defined labels it reaches 57.89% accuracy. And the RBF method on pre-defined labels gets an accuracy of 63.16% on a user-defined label and gets an accuracy of 57.89%. This shows that the SVM method can be used to classify EEG signal data.

Keywords: SVM, MOOC, Electroencephalography Signal, Linear, RBF, Regression Polynomials.