Pesatnya perkembangan MOOC sejalan dengan peningkatan kuantitas dan kompleksitas
informasi yang disimpan. Data ClassCentral tahun 2019 menyebutkan lebih dari 900
universitas dan 110 juta pembelajar yang telah terdata sebagai bagian dari MOOC dengan
13.500 kursus online yang ditawarkan. Hal tersebut mengakibatkan kompleksitas pemilihan
kursus yang akan diikuti. Selain itu, kondisi lain yang menjadi masalah pada MOOC adalah
tingkat penyelesaian terhadap satu kursus online masih rendah, yaitu sekitar 15%. Banyak
faktor yang mempengaruhi tingkat penyelesaian rendah ini, antara lain: ketidaktepatan memilih
kursus seperti ketidaksesuaian dengan instruktur, bahan ajar yang sulit dipahami, materi yang
membosankan, dan lain sebagainya.
Permasalahan kompleksitas informasi serta ketepatan memilih menjadi permasalahan yang
sama di bidang perdagangan online, pariwisata, hiburan, dll. Sehingga, permasalahan tersebut
telah menemukan solusinya, yaitu sistem rekomendasi. Namun, di bidang pembelajaran online
terutama MOOC solusi ini masih belum berkembang. Penyebab utamanya karena kurangnya
ketersediaan data yang relevan untuk membangun sistem rekomendasi kursus di MOOC.
Sehingga, diperlukan usaha ekstra untuk menyarikan data yang dibutuhkan misalnya ekstraksi
melalui perilaku akses belajar atau mendesain kompetensi pembelajaran dulu.
Berbagai usaha yang telah dilakukan tersebut bertujuan untuk memberikan rekomendasi kursus
yang relevan kepada para pembelajar. Namun, penelitian-penelitian yang telah dilakukan
menggunakan sumber data yang terbatas dari satu platform saja, misalnya: Coursera. Dengan
demikian, karakteristik data yang ada akan cenderung ke arah kursus yang populer di platform
tersebut, sedangkan kursus-kursus online lain dari platform yang berbeda tidak tersentuh.
Saat ini tersedia sumber data yang menghimpun sejumlah informasi tentang platform MOOC.
Sumber data tersebut dikenal dengan “MOOC aggregators”. Sejumlah penelitian dengan topik
MOOC mulai sering memanfaatkannya. Namun, untuk keperluan sistem rekomendasi hingga
saat ini masih belum banyak yang memanfaatkannya. Padahal, data-data terkait user interest
tersedia secara eksplisit.
Oleh karena itu, penelitian disertasi ini memanfaatkan data-data pada MOOC aggregator untuk
mengembangkan sistem rekomendasi berdasarkan user interest learning. User interest
learning diperoleh dengan membangun user model berdasarkan penilaian pembelajar pada
sejumlah kriteria kursus online. dan rating pelajaran. User model tersebut akan dipadukan
dengan sistem rekomendasi tradisional Collaborative Filtering (CF) sehingga menjadi sebuah
metode rekomendasi kursus baru. Hasil eksperimen menunjukkan bahwa metode yang
diusulkan lebih unggul dibandingkan algoritma dasar (UBCF, Item Based Collaborative
Filtering, dan Matrix Factorization).