Hasil Pencarian  ::  Simpan CSV :: Kembali

"Data aktivitas pembelajaran seperti pada learning management system dapat digunakan untuk memantau kegiatan belajar. Penyajian data kegiatan pembelajaran secara real-time membantu pengambilan keputusan yang lebih cepat. Penelitian ini merancang dan mengimplementasikan sistem real-time change data capture menggunakan write-ahead logging dan distributed stream processing untuk learning analytics di Fakultas Ilmu Komputer Universitas Indonesia (Fasilkom UI). Data yang disajikan berasal dari learning management system dan sistem presensi berbasis smart card. Dengan real-time change data capture menggunakan Debezium, data dapat disajikan secara real-time dan ringan dalam membebani sistem sumber data. Sistem menggunakan Apache Kafka sebagai message queue dan Apache Flink untuk melakukan distributed stream processing. Data disajikan dalam dashboard visualisasi menggunakan Grafana. Aktivitas pembelajaran yang disajikan secara real-time pada dashboard dapat digunakan untuk melihat pola kegiatan belajar mahasiswa dan membantu pengambilan keputusan.

---

Learning activity data such as the learning management system can be used to monitor learning activities. Presentation of learning activity data in real time helps faster decision making. This research design and implement a real-time data capture change system using write-ahead logging and distributed stream processing for learning analytics at the Faculty of Computer Science, University of Indonesia (Fasilkom UI). Data comes from learning management systems and presence-based systems smart card. With real-time change data capture using Debezium, data can be presented in real-time while not overloading the data sources. The system uses Apache Kafka as a message queue and Apache Flink to do distributed stream processing. Data is presented in a visualization dashboard using Grafana. Learning activities data that are presented on the real-time dashboard can be used to see patterns of student learning activities and assist decision making."

"Data aktivitas pada Learning Management System (LMS) yang digunakan di Universitas XYZ mengalami pertumbuhan yang signifikan dan tidak terbendung. Hal ini menimbulkan tantangan dalam pemrosesan dan analisis data tersebut. Penelitian ini melakukan pemrosesan data aktivitas mahasiswa secara streaming dan analisis untuk menemukan pola aktivitas mahasiswa di LMS. Pola aktivitas yang diidentifikasi menggunakan snapshot pada periode minggu pertama perkuliahan, minggu Ujian Tengah Semester (UTS), minggu sebelum Ujian Akhir Semester (UAS), dan pada saat minggu UAS. Analisis dilakukan dengan algoritma data mining menggunakan teknik clustering dengan mengambil snapshot data pada mata kuliah Metodologi Penelitian dan Penulisan Ilmiah semester genap 2018/2019. Algoritma dari teknik clustering yang disimulasikan adalah K-Means dan agglomerative hierarchical clustering dengan menggunakan evaluasi silhouette index untuk menentukan pola dengan jumlah cluster yang sesuai. Dari eksperimen terhadap algoritma clustering, algoritma agglomerative hierarchical clustering menjadi algoritma terbaik dalam mengelompokan aktivitas mahasiswa pada periode minggu pertama, minggu UTS, minggu sebelum UAS, dan minggu UAS. Hasil clustering memperlihatkan bahwa terdapat perbedaan pola aktivitas antara periode minggu pertama, minggu UTS, minggu sebelum UAS, dan minggu UAS, di mana terjadinya peningkatan aktivitas dan terdapat perbedaan pola cluster menjelang minggu UAS. Secara umum, pola cluster terdiri dari mahasiswa yang tidak self-regulated dan mahasiswa yang self-regulated. Mahasiswa yang tidak self-regulated dapat dilakukan intervensi oleh dosen untuk dapat meningkatkan pembelajarannya.

---

Activity data on the Learning Management System (LMS) used at XYZ University is experiencing significant and continuous data growth. This poses challenges in processing and analyzing such data. This study performs streaming student activity data processing and analysis to find patterns of student activity in LMS. Activity patterns identified using snapshots in the period of the first week of lectures, the week of the mid-term exam, the week before the final exam, and during the final exam week. The analysis was carried out by data mining algorithms using clustering techniques using snapshot of Research Methodology and Scientific Writing course in the term of even semester 2018/2019. The algorithm of the simulated clustering technique is K-Means and agglomerative hierarchical clustering using silhouette index evaluation to determine the pattern with the optimal number of clusters. From experiments on the clustering algorithm, the hierarchical clustering algorithm became the best algorithm in clustering student activities in the first week of lectures, mid-term exam weeks, the week before final exam, and final exam weeks. The clustering results show that there are differences in activity patterns between the first week, mid-term exam week, the week before final exam, and final exam week, where there is an increase in activity and there are differences in cluster patterns before the exam week. In general, the pattern consists of non-self-regulated students and self-regulated students. Non-self-regulated students can be intervened by lecturers to improve their learning"