Segmentasi Tipologi Pembelajar Berbasis Learning Analytics pada Jejak Digital LMS Menggunakan K-Means Clustering

Abstrak

Pemanfaatan learning management system (LMS) menghasilkan jejak digital berukuran besar, namun jejak tersebut masih jarang dianalisis secara sistematis untuk memahami variasi pola belajar mahasiswa. Penelitian ini bertujuan menerapkan K-Means Clustering guna membentuk tipologi pembelajar dari log audit LMS Akademik Program Studi Informatika Universitas Muhammadiyah Makassar sekaligus mendeskripsikan karakteristik setiap segmen yang terbentuk. Data penelitian berupa ekspor log audit 24–28 Juli 2026 sebanyak 50.000 baris permintaan HTTP; setelah penyaringan menurut peran pengguna tersisa 45.476 baris milik 275 mahasiswa. Path endpoint dinormalisasi dari 2.400 nilai unik menjadi 74 pola, lalu diagregasi menjadi 13 fitur deskriptif per-mahasiswa yang mencakup volume, tempo, ritme temporal, dan profil belajar. Seluruh fitur ditransformasi dengan QuantileTransformer untuk meredam kemencengan, kemudian dimodelkan dengan K-Means (n_init = 20) dan Agglomerative Clustering pada k = 2 sampai 8. Jumlah segmen ditetapkan memakai prinsip parsimoni, yaitu k terkecil yang silhouette-nya masih dalam toleransi 0,015 dari nilai terbaik dengan setiap segmen beranggota minimal 20 mahasiswa. Aturan tersebut memilih k = 3 dengan silhouette 0,3018, stabil terhadap inisialisasi (rerata Adjusted Rand Index 0,9949) dan sepadan dengan Agglomerative Clustering pada 85,8% keanggotaan. Ketiga tipologi yang terbentuk adalah Pengejar Asesmen (159 mahasiswa; 57,8%) dengan rasio akses asesmen terhadap baca materi 12,38 banding satu, Partisipasi Rendah (79 mahasiswa; 28,7%), dan Pembelajar Intensif Seimbang (37 mahasiswa; 13,5%) dengan rasio 2,11 banding satu. Uji Kruskal-Wallis menunjukkan perbedaan signifikan pada seluruh 13 fitur (p < 0,001). Uji silang dengan penanda deteksi anomali pada data yang sama memperlihatkan sebaran yang sangat tidak merata (χ² = 33,81; p < 0,001): segmen mayoritas hanya menyumbang 5 dari 14 penanda. Temuan ini menunjukkan bahwa segmentasi mengungkap persoalan sistemik yang luput dari deteksi anomali dan dapat menjadi dasar perlakuan pembelajaran yang dibedakan menurut segmen.