Perpustakaan Digital ITB

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).