Learning Analytics Berbasis Kahoot Menggunakan Algoritma K-Means Clustering untuk Mengidentifikasi Pola Keterlibatan Mahasiswa dalam Pembelajaran

Dery Satya Pramdhana, Elnandi Nur, Istiqomah Sumadikarta, Yuna Trisuci Aprillia

Abstract


Perkembangan teknologi digital dalam pendidikan menghasilkan berbagai data aktivitas pembelajaran yang dapat dimanfaatkan melalui pendekatan Learning Analytics. Salah satu platform yang menyediakan data tersebut adalah Kahoot, namun pemanfaatannya masih umumnya terbatas pada penyajian nilai akhir. Penelitian ini bertujuan menerapkan Learning Analytics berbasis Kahoot untuk mengidentifikasi pola keterlibatan mahasiswa menggunakan algoritma K-Means Clustering. Penelitian menggunakan pendekatan kuantitatif dengan data hasil kuis Kahoot dari 128 mahasiswa pada empat kelas mata kuliah Algoritma II, yaitu R2G, R2H, S2A, dan S2B. Tahapan penelitian meliputi data cleaning, analisis statistik deskriptif, visualisasi data, analisis korelasi, penentuan jumlah cluster menggunakan Elbow Method, evaluasi dengan Silhouette Score, dan pengelompokan menggunakan K-Means Clustering. Hasil analisis menunjukkan adanya variasi performa mahasiswa berdasarkan Accuracy, jumlah jawaban benar, jumlah jawaban salah, dan Final Score. Analisis korelasi menunjukkan bahwa Accuracy dan Correct Answers berkorelasi positif kuat terhadap Final Score, sedangkan Incorrect Answers berkorelasi negatif. Hasil clustering berhasil mengelompokkan mahasiswa berdasarkan karakteristik performa dan keterlibatan belajar sehingga memudahkan identifikasi mahasiswa yang memerlukan pendampingan maupun yang memiliki performa tinggi. Penelitian ini menunjukkan bahwa data Kahoot dapat dimanfaatkan sebagai sumber Learning Analytics untuk mendukung pengambilan keputusan pembelajaran yang lebih objektif dan berbasis data.

Full Text:

PDF

References


Anane, R., Hasan, R., & Al-Mamun, M. (2024). Learning analytics in higher education: A systematic review of student engagement and academic performance. Education and Information Technologies, 29(3), 4187–4215.

Cabı, E., & Türkoğlu, A. Y. (2023). Learning analytics applications in higher education: A review of recent developments and future directions. Journal of Educational Technology Systems, 52(1), 68–90.

Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM) (3rd ed.). Sage Publications.

Han, J., Pei, J., & Kamber, M. (2022). Data Mining: Concepts and Techniques (4th ed.). Morgan Kaufmann.

Hastie, T., Tibshirani, R., & Friedman, J. (2021). The Elements of Statistical Learning (2nd ed., corrected reprint). Springer.

IBM Corp. (2023). IBM SPSS Statistics Algorithms. IBM Corporation.

Jain, A. K. (2021). Data clustering: 50 years beyond K-means. Pattern Recognition Letters, 147, 4–12.

Kahoot! AS. (2024). Kahoot! Guide for Higher Education. https://kahoot.com

Kurniawan, A., & Sari, D. P. (2023). Pemanfaatan Kahoot sebagai media evaluasi pembelajaran interaktif pada pendidikan tinggi. Jurnal Teknologi Pendidikan, 25(2), 145–158.

Liu, B. (2022). Web Data Mining: Exploring Hyperlinks, Contents, and Usage Data (3rd ed.). Springer.

MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. In Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability (pp. 281–297). University of California Press.

Murtagh, F., & Contreras, P. (2021). Algorithms for hierarchical clustering: An overview. WIREs Data Mining and Knowledge Discovery, 11(1), e1351.

Özdemir, M. (2025). The effectiveness of Kahoot-supported learning on student engagement and academic achievement in higher education. Education Sciences, 15(2), 112–126.

Rahmawati, N., Prasetyo, A., & Wijayanti, D. (2024). Learning analytics berbasis Kahoot untuk meningkatkan keterlibatan mahasiswa dalam pembelajaran. Jurnal Teknologi Informasi dan Pendidikan, 17(1), 35–48.

Rousseeuw, P. J. (1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20, 53–65.

Shalev-Shwartz, S., & Ben-David, S. (2022). Understanding Machine Learning: From Theory to Algorithms. Cambridge University Press.

Tan, P. N., Steinbach, M., & Kumar, V. (2021). Introduction to Data Mining (2nd ed.). Pearson.

UNESCO. (2023). Artificial Intelligence and Education: Guidance for Policy Makers. UNESCO Publishing.




DOI: https://doi.org/10.52643/jti.v12i1.9175

Refbacks

  • There are currently no refbacks.


Flag Counter

 

StatCounter

View My Stats

 

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.