PREDIKSI SKOR AKTIVITAS E-LEARNING MENGGUNAKAN MULTIPLE LINEAR REGRESSION DAN SUPPORT VECTOR REGRESSION
Keywords:
E-Learning, Learning analytics, Multiple Linear Regression, Prediksi SkorAbstract
Perkembangan pesat sistem pembelajaran daring mendorong institusi pendidikan tinggi untuk memanfaatkan data aktivitas mahasiswa dalam memantau dan meningkatkan keterlibatan belajar secara berkelanjutan. Penelitian ini bertujuan membangun dan membandingkan model prediksi skor aktivitas E-Learning mahasiswa menggunakan dua algoritma regresi, yaitu Multiple Linear Regression (MLR) dan Support Vector Regression (SVR), guna mengidentifikasi pendekatan yang paling akurat. Dataset yang digunakan terdiri dari 500 data mahasiswa dengan 14 variabel prediktor yang mencakup informasi demografis, akademis, dan perilaku penggunaan Learning Management System (LMS) seperti frekuensi Login, durasi akses materi, interaksi forum diskusi, dan jumlah pengumpulan tugas. Tahap pra-pemrosesan meliputi Label encoding pada variabel kategorikal, deteksi Outlier menggunakan metode Interquartile Range (IQR), normalisasi fitur dengan StandardScaler, serta pembagian data dengan rasio 80:20. Model MLR dianalisis menggunakan metode Ordinary Least Squares (OLS) dengan uji multikolinearitas Variance Inflation Factor (VIF), sedangkan model SVR dioptimalkan melalui GridSearchCV dengan 5-fold Cross-validation untuk menentukan kombinasi terbaik Kernel, C, epsilon, dan Gamma. Hasil evaluasi pada data testing menunjukkan bahwa SVR dengan Kernel Radial Basis Function (RBF) menghasilkan kinerja prediksi yang lebih unggul dibandingkan MLR, ditandai dengan nilai MAE dan RMSE yang lebih rendah serta R² yang lebih tinggi. Validasi menggunakan 10-Fold Cross Validation mengonfirmasi konsistensi keunggulan SVR pada seluruh fold dengan variansi yang stabil. Penelitian ini menyimpulkan bahwa hubungan antara variabel perilaku LMS dan skor aktivitas E-Learning bersifat non-linear, sehingga SVR lebih efektif menangkap pola tersebut dibandingkan MLR. Temuan ini diharapkan menjadi landasan pengembangan sistem Learning analytics dan Early warning system di perguruan tinggi.
References
et al. Ardianti, “Pemanfaatan Data E-Learning dan Jejak Digital dalam Pendidikan Tinggi,” 2023.
et al. Vigentini, “Learning Analytics untuk Deteksi Risiko Akademik Mahasiswa,” 2022.
A. Widarta and B. Setiawan, “Behavioral Indicators in Post-Pandemic E-Learning Engagement,” Journal of Digital Learning Research, vol. 12, no. 1, 2024.
et al. Putra, “Model Prediksi Kinerja Siswa Berdasarkan Data Log LMS Menggunakan Ensemble Machine Learning,” 2025.
et al. Alam, “Analisis Data Aktivitas Digital dalam Evaluasi Pendidikan Modern,” 2022.
et al. Mutamimah, “Tantangan Keterbatasan Data dalam Prediksi Akademik Mahasiswa,” 2024.
et al. Huda, “Pengaruh Dataset Minimal terhadap Akurasi Model Machine Learning,” 2022.
et al. Luan, “Analisis Prediksi Akademik pada Dataset Terbatas di Pendidikan Tinggi,” 2023.
et al. Susanti and Triloka, “Implementasi Multiple Linear Regression dalam Prediksi Akademik,” 2024.
et al. Khosravi, “Support Vector Regression untuk Dataset dengan Fitur Terbatas,” 2023.
et al. Naim, “Evaluasi dan Rekomendasi Variabel dalam Prediksi Kinerja Mahasiswa,” 2023.
Downloads
Published
Issue
Section
Citation Check
License
Copyright (c) 2026 Sholichatul Mutamiroh, Bambang Irawan, Willy Prihartono, Rosidin .
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
