Klasifikasi Gaya Belajar Mahasiswa Berdasarkan Garis Telapak Tangan Menggunakan Convolutional Neural Network

Irennada; Achmad Solichin; Goenawan Brotosaputro

doi:10.23887/janapati.v11i3.53721

Authors

Irennada Universitas Budi Luhur
Achmad Solichin Universitas Budi Luhur
Goenawan Brotosaputro Universitas Budi Luhur

DOI:

https://doi.org/10.23887/janapati.v11i3.53721

Keywords:

gaya belajar, telapak tangan, Convolutional Neural Network, model vak

Abstract

Gaya belajar dapat diartikan sebagai cara seorang siswa dalam menangkap berbagai informasi dalam proses pembelajaran. Model gaya belajar yang paling popular adalah model Visual, Auditori dan Kinestetik (VAK). Walaupun setiap siswa pada dasarnya dapat menerima materi dalam berbagai bentuk, namun pembelajaran akan lebih efektif jika materi disajikan sesuai gaya belajar siswa. Untuk mengetahui gaya belajar, dapat dilakukan dengan melakukan serangkaian asesmen menggunakan instrumen yang terdiri dari sejumlah pertanyaan. Asesmen tersebut memerlukan waktu yang cukup lama untuk memperoleh kesimpulan gaya belajar yang dominan. Pada penelitian ini, diusulkan metode identifikasi gaya belajar berdasarkan pola garis tangan (palmistry). Citra telapak tangan yang diperoleh dari 40 responden dianalisis memanfaatkan metode Convolutional Neural Network (CNN) untuk mendapatkan klasifikasi gaya belajar. Hasil pengujian terhadap model CNN diperoleh akurasi sebesar 70%, presisi 72%, dan recall 70%. Dengan demikian, identifikasi gaya belajar berbasis citra telapak tangan memiliki potensi yang besar dalam pengembangan sistem identifikasi gaya belajar yang lebih cepat dan akurat.

References

R. Hidayat dan Abdillah, Ilmu Pendidikan “Konsep, Teori dan Aplikasinya.” Medan: Lembaga Peduli Pengembangan Pendidikan Indonesia (LPPPI), 2019.

S. Mustoip, M. Japar, dan Zulela, Implementasi Pendidikan Karakter. Surabaya: CV. Jakad Publishing Surabaya 2018, 2018.

H. Cahyono, “Peran Mahasiswa di Masyarakat,” Banten-Bode J. Pengabdi. Masy. Setiabudhi, vol. 1, no. 1, hal. 32–43, 2019.

L.-L. N. Mufidah, “Memahami Gaya Belajar untuk meningkatkan Potensi Anak,” Martabat: Jurnal Perempuan dan Anak, vol. 1, no. 2. 2017.

F. Mohd, W. F. F. A. Wan Yahya, S. Ismail, M. A. Jalil, dan N. M. M. Noor, “An Architecture of Decision Support System for Visual-Auditory-Kinesthetic (VAK) Learning Styles Detection Through Behavioral Modelling,” Int. J. Innov. Enterp. Syst., vol. 3, no. 02, hal. 24–30, 2019.

D. R. Lazuardi dan S. Murti, “Peningkatan Kemampuan Menulis Puisi Menggunakan Model Pembelajaran Quantum Tipe VAK (Visual, Audiovisual, Kinestetik),” J. Kaji. Bahasa, Sastra dan Pengajaran, vol. 2, no. 1, hal. 87–95, 2018.

F. Rozi et al., “Learning management; identifying learning styles of language learners in madrasah,” Proc. Int. Conf. Ind. Eng. Oper. Manag., no. August, hal. 3783–3790, 2020.

M. S. Hasibuan, L. E. Nugroho, dan P. I. Santosa, “Model detecting learning styles with artificial neural network,” J. Technol. Sci. Educ., vol. 9, no. 1, hal. 85–95, 2019.

J. Feldman, A. Monteserin, dan A. Amandi, “Automatic detection of learning styles: state of the art,” Artif. Intell. Rev., vol. 44, no. 2, hal. 157–186, 2015.

R. R. Maaliw dan M. A. Ballera, “Classification of learning styles in virtual learning environment using J48 decision tree,” in 14th International Conference on Cognition and Exploratory Learning in the Digital Age, CELDA 2017, 2017, hal. 149–156.

A. A. Kalhoro, S. Rajper, dan G. A. Mallah, “Detection of E-Learners’ Learning Styles: An Automatic Approach using Decision Tree,” Int. J. Comput. Sci. Inf. Secur., vol. 14, no. 8, hal. 420–425, 2016.

Y. C. Chang, W. Y. Kao, C. P. Chu, dan C. H. Chiu, “A learning style classification mechanism for e-learning,” Comput. Educ., vol. 53, no. 2, hal. 273–285, 2009.

L. X. Li dan S. S. A. Rahman, “Students’ learning style detection using tree augmented naive Bayes,” R. Soc. Open Sci., vol. 5, no. 7, hal. 1–13, 2018.

O. El Aissaoui, Y. El Alami El Madani, L. Oughdir, dan Y. El Allioui, “A fuzzy classification approach for learning style prediction based on web mining technique in e-learning environments,” Educ. Inf. Technol., vol. 24, no. 3, hal. 1943–1959, 2019.

F. C. H. Slamet Prasetyo, Budhi Irawan, “Perancangan Aplikasi Deteksi Sifat Manusia Menggunakan Garis Tangan Dengan Metode Citra Gray-Level Co- Occurrence Matrix ( Glcm ) Pada Citra Berbasis Android,” vol. 7, no. 1, hal. 1603–1609, 2020.

B. Pradinta, Ernawati, dan E. P. Purwandari, “Identifikasi Citra Garis Telapak Tangan Menggunakan Metode Linear Discriminant Analysis dengan Probabilitas Naive Bayesian,” J. Pseudocode, vol. 4, no. 2, hal. 156–167, 2017.

A. K. Haq, R. R. Isnanto, dan A. A. Zahra, “Perancangan Sistem Pengenal Garis Utama Telapak Tangan Pada Sistem Presensi Menggunakan Metode Principal Component Analysis (PCA) Dan Jarak Euclidean,” TRANSIENT, vol. 4, no. 4, hal. 7–11, 2015.

N. Fajriani dan J. Y. Sari, “Pengenalan Pola Garis Telapak Tangan Menggunakan Metode Fuzzy K- Nearest Neighbor,” J. Ilm. Edutic, vol. 4, no. 1, hal. 36–43, 2017.

E. Andriyanto dan Y. Melita, “Pengenalan Karakteristik Manusia Melalui Pola Garis Telapak Tangan Menggunakan Metode Probabilistic Neural Network,” J. Ilm. Teknol. Inf. STMIK ASIA Malang, vol. 7, no. 2, hal. 1–9, 2013.

V. Nigam, D. Yadav, dan M. K. Thakur, “A Novel Approach for Hand Analysis Using Image Processing Techniques,” Int. J. Comput. Sci. Inf. Secur., vol. XXX, no. XXX, hal. 1–5, 2010.

R. Haridas dan J. R L, “Convolutional Neural Networks: A Comprehensive Survey,” Int. J. Appl. Eng. Res., vol. 14, no. 3, hal. 780, 2019.

S. Prasad dan T. Chai, “Palmprint for Individual’s Personality Behavior Analysis,” Comput. J., vol. 65, no. 2, hal. 355–370, 2022.

J. Sanjaya dan M. Ayub, “Augmentasi Data Pengenalan Citra Mobil Menggunakan Pendekatan Random Crop, Rotate, dan Mixup,” J. Tek. Inform. dan Sist. Inf., vol. 6, no. 2, hal. 311–323, 2020.

M. Resa, A. Yudianto, dan H. Al Fatta, “Analisis Pengaruh Tingkat Akurasi Klasifikasi Citra Wayang dengan Algoritma Convolutional Neural Network,” J. Teknol. Inf., vol. 4, no. 2, hal. 182–190, 2020.

W. D. Mega Pradnya dan A. Putri Kusumaningtyas, “Analisis Pengaruh Data Augmentasi Pada Klasifikasi Bumbu Dapur Menggunakan Convolutional Neural Network,” J. Media Inform. Budidarma, vol. 6, no. 4, hal. 2022–2031, 2022.

Yuyun, Nurul Hidayah, dan Supriadi Sahibu, “Algoritma Multinomial Naïve Bayes Untuk Klasifikasi Sentimen Pemerintah Terhadap Penanganan Covid-19 Menggunakan Data Twitter,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 4, hal. 820–826, 2021.

C. Shorten dan T. M. Khoshgoftaar, “A survey on Image Data Augmentation for Deep Learning,” J. Big Data, vol. 6, no. 1, 2019.