PERSONALISASI KONTEN PEMBELAJARAN BERDASARKAN
PENDEKATAN TIPE BELAJAR
TRIPLE-FACTOR
DALAM
STUDENT CENTERED E-LEARNING ENVIRONMENT
Mira Suryani1, Zainal A. Hasibuan2, Harry Budi Santoso3
1,2,3
Fakultas Ilmu Komputer, Universitas Indnesia Fakultas Ilmu Komputer, Kampus Depok 16424 1
mira.suryani@ui.ac.id, 2 zhasibua@cs.ui.ac.id, 3harrybs@cs.ui.ac.id
Abstrak
Perbedaan karakteristik pembelajar yang kurang terakomodasi dengan baik pada pembelajaran konvensional merupakan sebuah permasalahan yang harus segera diatasi untuk memperbaiki performa pembelajar. Personalisasi pembelajaran dengan memanfaatkan e-learning memberikan keleluasan dalam memfasilitasi perbedaan karakteristik, kebutuhan, dan preferensi setiap pembelajar. Perbedaan tersebut dapat dimanfaatkan sebagai informasi untuk personalisasi. Dengan mengadopsi pendekatan triple-factor, dikembangkanlah algoritma yang mampu memetakan 36 tipe belajar triple-factor (gaya belajar, motivasi, dan kemampuan pengetahuan) pada konten pembelajaran yang sesuai dengan masing-masing karaketeristik, kebutuhan, dan preferensi pembelajar. Algoritma tersebut selanjutnya diimplementasikan ke dalam sebuah LMS Student Centered E-learning Environment (SCELE) yang dapat diakses oleh pembelajar. Dari hasil eksperimen dilakukan evaluasi dengan membandingkan performa pembelajar dari kelompok eksperimen (pembelajar yang menggunakan fitur personalisasi) dan kelompok kontrol (pembelajar yang tidak menggunakan fitur personalisasi). Perbandingan ini dilakukan untuk mengetahui sejauh mana pengoptimalan sistem yang dikembangkan dapat membantu pembelajar. Adapun hasil dari perbandingan dengan uji statistik diperoleh bahwa performa pembelajar yang menggunakan fitur personalisasi lebih baik dibandingkan dengan performa pembelajar yang tidak menggunakan fitur personalisasi.
Kata kunci : personalisasi, e-learning, triple-factor, SCELE-PDE
1. Pendahuluan
Dalam kegiatan pembelajaran, pada dasarnya setiap pembelajar memiliki karakteristik, kebutuhan dan preferensi yang berbeda. Dari segi kecepatan dan kemampuan, terdapat pembelajar yang dengan cepat mampu menangkap dan mengolah informasi namun ada pula pembelajar yang lambat. Dari segi preferensi format materi pembelajaran, terdapat pembelajar yang menyukai materi berbentuk teks, audio, atau video. Dari segi kenyamanan pun, terdapat perbedaan, ada pembelajar yang nyaman dan berkonsentrasi belajar di siang hari, namun ada pula pembelajar yang lebih nyaman dan berkonsentrasi jika belajar di malam hari.
Sayangnya, perbedaan pembelajar yang mendasar tersebut kurang dapat diakomodasi pada pembelajaran konvensional. Pada pembelajaran konvensional, pendidik memberikan perlakuan yang sama kepada pembelajar. Hal tersebut membuat pembelajar menjadi tidak nyaman, tertekan, dan tidak dapat mengeluarkan performa terbaiknya dalam belajar. Pada akhirnya terdapat pembelajar yang berhasil mencapai tujuan pembelajaran dengan mendapatkan nilai yang baik, namun ada juga pembelajar yang gagal dan harus mengulang.
Disisi lain, terdapat fenomena mengenai tingkat penetrasi TIK yang tinggi baik di dunia
maupun di Indonesia. Hal ini dapat dilihat pada hasil survei yang dilakukan oleh ITU melalui Global ICT developments [1] yang menyatakan bahwa 96,2 % penduduk di dunia sudah menggunakan telepon selular dan 38,8% sudah berlangganan internet secara individu. Selain itu, data dari Indonesia sendiri menyatakan bahwa pada tahun 2013, terdapat 63 juta pengguna internet [2]. Tingginya pemanfaatan perangkat TIK dari tahun ke tahun ini mempengaruhi berbagai aspek kehidupan tak terkecuali pada bidang pendidikan.
Pada bidang pendidikan, e-learning merupakan salah satu media atau aplikasi yang digunakan untuk
menunjang pembelajaran. E-learning
memungkinkan pembelajar melakukan proses pembelajaran dimana saja dan kapan saja sesuai dengan keleluasan yang diinginkan [3]. Kemungkinan tersebut menjadi suatu peluang yang dapat dimanfaatkan untuk mengumpulkan informasi mengenai perbedaan pembelajar.
merupakan sebuah strategi yang digunakan untuk mengetahui kebutuhan peserta didik sehingga peserta didik dapat belajar secara efektif [4].
Di Indonesia, terdapat beberapa penelitian yang berkenaan dengan personalisasi e-learning [5,6]. Penelitian terkini mengenai personalisasi e-learning adalah munculnya framework triple-factor yang diusulkan oleh [6]. Berdasarkan framework tersebut, paper ini dikembangkan dengan tujuan untuk memberikan konten pembelajaran yang sesuai dengan 36 tipe belajar yang ada pada kombinasi triple-factor.
2. Studi Literatur
2.1 E-learning dan Learning Management System (LMS)
E-learning merupakan proses pembelajaran yang disampaikan melalui media teknologi komunikasi sehingga memungkinkan kebebasan berinteraksi bagi penggunanya tanpa terhalang batasan ruang dan waktu [3]. Secara lebih mendalam lagi, Moore, Deane, dan Gaylen menyampaikan bahwa e-learning merupakan sebuah media yang mampu mentransformasikan pengalaman belajar ke dalam pengetahuan [7].
E-learning memiliki beberapa karakteristik
yang membedakan dengan pembelajaran
konvensional. Santoso menyampaikan bahwa pada pembelajaran menggunakan e-learning tingkat self-regulated sangat tinggi dan memiliki paradigma student-centered sehingga dibutuhkan kreativitas dalam memotivasi pembelajar untuk terus menggunakan e-learning [5]. Selain itu, Du, Liu, dan Wei mengemukakan bahwa dengan e-learning, waktu, tempat, dan jumlah pembelajar bisa tidak tetap, dan akses ke sumber materi pembelajaran melimpah [8].
Sebuah e-learning akan berhasil
diimplementasikan apabila enam faktor penunjangnya lengkap dan memiliki performa yang baik. Enam faktor tersebut adalah: pembelajar, instruktur, teknologi, course, desain instruksional, dan lingkungan [3]. Selain mempertimbangkan faktor, implementasi e-learning tersebut dapat ditunjang dengan fitur yang lebih banyak untuk mendukung pembelajaran seperti fitur administrasi, fitur interaksi seperti diskusi forum dan chat, serta fitur lainnya. E-learning yang telah diperkaya berbagai fitur yang ada tersebut dikenal sebagai learning management system (LMS).
2.2 Learning Object
Learning object merupakan materi pembelajaran dalam bentuk digital, berukuran kecil, dapat didistribusikan (share) maupun digunakan kembali (reusable) [9]. Learning object yang baik haruslah memiliki sifat granulariti yang baik [10] dimana learning object yang berukuran besar dapat dipecah menjadi menjadi bagian-bagian yang kecil tanpa kehilangan makna [10]. Kemudian
bagian-bagian kecil tersebut dapat digabung kembali secara utuh sesuai dengan kebutuhan pembelajaran.
Dalam penelitian, learning object dapat diklasifikasikan sesuai dengan kebutuhan. Santoso mengklasifikasikan learning object berdasarkan kebutuhan pembelajar, yang terbagi ke dalam tiga level, yaitu: (1) level materi 1: berupa materi dalam format slide, (2) level materi 2: berupa slide ditambah dengan narasi dalam bentuk audio, video, atau animasi, (3) level materi 3: materi pengayaan yang disajikan dalam format Word, PDF, dan URL [5].
Sfenrianto, mengklasifikasikan learning object berdasarkan preferensinya. Learning object dibagi kedalam tiga kelompok, yaitu: (1) materi singkat (M) merupakan materi yang berisi poin-poin penting dalam sebuah bahasan materi, (2) materi penjelasan (P) berupa video, audio, dan animasi yang berisi penjelasan materi pembelajaran lebih rinci, dan (3) materi tambahan (T) [6].
2.3 Personalisasi Konten Pembelajaran
Personalisasi pembelajaran merupakan strategi yang digunakan untuk mengetahui karakteristik pembelajar sehingga dapat belajar secara efektif [6]. Terdapat banyak pendekatan yang dapat dilakukan dalam personalisasi pembelajaran. Dari segi proses identifikasi karakteristik pembelajar, banyak peneliti menggunakan faktor yang berbeda seperti gaya belajar [5,6,11,12], motivasi [5,6,13], kemampuan pengetahuan [6,12,14], dan faktor lainnya. Dari segi teknik, terdapat beberapa pendekatan yang digunakan peneliti diantarnya dengan menggunakan data mining [12], semantik web [14], dan predefined rule [5,6].
Personalisasi pembelajaran dapat dilakukan dalam tiga bentuk. Pertama, personalisasi alur pembelajaran merupakan personalisasi berupa pemberian rekomendasi langkah-langkah pembelajaran yang sesuai dengan preferensi pembelajaran dalam mempelajari materi [11,15]. Kedua, personalisasi antarmuka media pembelajaran merupakan personalisasi yang lebih difokuskan pada perubahan tampilan dari media pembelajaran seperti jenis font, ukuran font, tata letak menu, warna dan gambar dari latar belakang [16]. Ketiga, personalisasi konten pembelajaran merupakan personalisasi berupa pemberian konten pembelajaran yang sesuai dengan kebutuhan dan preferensi pembelajar [5,6].
2.4 Framework Tipe Belajar Triple-Factor
Ilustrasi framework dapat dilih berikut.
Gambar 1. FrameworkTrip
Pada learning layer, pem kegiatan pembelajaran. Semua direkam ke dalam learning log learning behavior pattern-nya. behavior pattern dijadikan seb mengidentifikasi karakteristik terdiri dari gaya belajar, motiva pengetahuan pada characterstic l Gaya belajar merupakan f diidentifikasi berdasarkan pe jumlah aktivitas seorang mengakses materi dengan pembelajar secara berkelompok tabel frekuensi akses materi (threshold). Adapun kategori menggunakan atura pada tabel be
Tabel 1. Kategori Gaya Bela
Factor.
Kategori Deskripsi
Suka-suka Log akses materi pem
akses kelompok terha
Disiplin Log akses materi pem
akses kelompok terha
Rajin Log akses materi pem
akses kelompok terha
Kemudian, faktor kedua adalah motivasi. Motivasi ditentukan dengan membandingk pembelajar pada forum dengan kelompok pembelajar terhadap frekuensi. Motivasi pembelajar te kategori dengan penentuan seb Tabel 2).
Tabel 2. Kategori Motivasi pa
Kategori Deskripsi
Rendah Log aktivitas forum pem
aktivitas kelompok pad
Sedang Log akses materi pemb
akses kelompok terhada
lihat pada Gambar 1
riple-Factor [17]. embelajar melakukan
a aktivitas yang ada kemudian dipelajari . Kemudian learning perbandingan antara pembelajar dalam rata-rata aktivitas k yang dihitung pada eri sebagai batasan risasi gaya belajar berikut.
elajar pada
Triple-si Penentu
embelajar < rata-rata hadap materi embelajar = rata-rata
hadap materi embelajar > rata-rata
hadap materi
ua dari triple-factor pembelajar dapat gkan jumlah aktivitas an rata-rata aktivitas ap forum pada tabel r terbagi ke dalam tiga sebagai berikut (lihat
pada Triple-Factor
si Penentu
embelajar < rata-rata ada forum diskusi
belajar = rata-rata adap materi
Tinggi Log akses mater
akses kelompok
Faktor terakhir d mengidentifkasi karakte kemampuan pengetahuan. ditentukan berdasarkan ga nilai tugas pembelajar. Ad pengetahuan dibagi berd sebagai berikut (lihat Tabe Tabel 3. Kategori Kem pada Trip
Kombinasi dari menghasilkan 36 tipe bela tipe belajar ini dijad menentukan konten pemb personalization layer. personalization layer un pembelajaran yang sesua pada penelitian ini.
3. Menentukan Kompo Dalam melakukan pembelajaran, terdapat diperlukan untuk mengem sistem secara keseluruh adalah fitur umum menangkap karakteristik yang digunakan yaitu fitu dan assignment. Kompo pembelajaran yang dibagi log akses ke materi pemb pembelajar pada forum d adalah konten pembelajara dibagi ke dalam dua jenis dan data diskusi dengan p (lihat Tabel 4).
Tabel 4. Konten Pe Person
Jenis Konten Kode
Materi singkat M
Materi penjelasan P
Materi tambahan T
Forum umum F1
Posting mandiri F2
Menjawab
trigger/pemicu
F3
teri pembelajar > rata-rata ok terhadap materi
dari triple-factor untuk kter pembelajar adalah n. Kemampuan pengetahuan gabungan dari nilai kuis dan dapun kategori kemampuan rdasarkan 4 interval nilai
i triple-factor tersebut lajar. Selanjutnya kombinasi jadikan informasi untuk belajaran yang sesuai pada Adapun metode pada untuk menentukan konten uai merupakan fokus pada
ponen Kebutuhan Sistem n personalisasi konten t empat komponen yang mbangkan dan menjalankan uhan. Komponen pertama e-learning yang dapat k pembelajar. Fitur umum itur resources, forum, quiz, ponen kedua adalah log agi kedalam dua jenis yaitu mbelajaran dan log aktivitas diskusi. Komponen ketiga aran yang secara garis besar is yaitu materi pembelajaran n penjelasan sebagai berikut
Pembelajaran untuk onalisasi
Deskripsi Materi dalam bentuk slide Materi dalam bentuk audio, video, dan animasi Materi berupa contoh, latihan, dan link referensi Forum yang menyediakan informasi umum
mengenai course
Komponen terakhir adala evaluasi berupa nilai pembelaj untuk menentukan kemampuan Setelah komponen kebutuhan s merancang dan mengimpleme merupakan langkah selanjutnya d
4. Rancangan dan Implem Personalisasi Konten Pembela Tipe Belajar Triple-Factor
Pada tahapan ini, peneliti m personalisasi konten pembelajar pada tipe belajar triple-factor personalisasi konten yang memberikan konten pembelaj karakteristik pembelajar sec diilustrasikan pada Gambar 2 ber
Gambar 2. Rancangan Algori Konten Pembelaj Berdasarkan Gambar 2, d untuk mengetahui konten pembe dengan karakteristik pembelajar ditinjau kembali faktor penyu belajar, motivasi, dan kemam Pada faktor gaya belajar dihitu akses pembelajar pada materi materi yang ada. Pada faktor jumlah aktivitas pembelajar terha jenis forum. Pada faktor kemam dilihat nilai yang dimiliki pemb dalam kategori kemampuan p mana.
Hasil perhitungan dari ke selanjutnya akan diproses masin proses yang berbeda. Jumlah terhadap masing-masing jenis m akan menjadi input untuk pros materi pembelajaran. Luaran da level materi yang sesuai pembelajar. Adapun proses pen pembelajaran diilustrasikan pada
alah komponen data lajar yang digunakan an akhir pembelajar. sistem diidentifikasi, entasikan algoritma a dari penelitian.
mentasi Algoritma lajaran berdasarkan
i merancang algoritma jaran yang didasarkan . Algoritma sistem digunakan untuk lajaran yang sesuai ecara garis besar erikut ini.
ritma Personalisasi lajaran
dapat dilihat bahwa belajaran yang sesuai jar, setiap tipe belajar yusunnya yaitu gaya mpuan pengetahuan. itung kembali jumlah eri berdasarkan jenis or motivasi, dihitung rhadap masing-masing ampuan pengetahuan, mbelajar termasuk ke pengeatahuan yang
ketiga faktor tersebut sing-masing oleh tiga ah akses pembelajar materi pembelajaran roses penentuan level dari proses ini adalah dengan kebutuhan enentuan level materi da Gambar 3 berikut.
Gambar 3. Proses Pen Pembe Pada proses pe pembelajaran dilakukan p rata akses pembelajar terh materi yang tersedia. K diperoleh selanjutnya dira memperoleh batasan (thres materi mana yang sec preferensi paling tinggi perbandingan antara rat terhadap masing-masing (threshold) yang telah dite akses pembelajar terhadap besar, maka jenis materi t Terdapat 3 level materi ditampilkan yaitu: (1) leve pemberian materi singkat s terdiri dari pemberian mat materi penjelasan (M+P) terdiri dari pemberian penjelasan, dan materi tam
Pada proses penentu pada aktivitas forum, jum terhadap masing-masing dijadikan sebagai input ya pemrosesan peningkatan m Gambar 4 berikut.
Gambar 4. Proses Pe Motivasi pada A Pada Gambar 4, dap masing-masing forum ak rata-rata kelompok pemb masing jenis forum yaitu (F2), dan Forum 3 (F3). A tersebut termasuk ke dal rendah, maka aktivitas p ditingkatkan. Pada prose motivasi terdapat 8 kemu motivasi yang dapat peningkatan terhadap F1 dan F2, F1 dan F3, F2 dan dan F3), atau tidak ada semua tingkat motivasi p tinggi.
enentuan Level Materi belajaran
penentuan level materi perbandingan antara rata-rhadap masing-masing jenis
Kemudian rata-rata yang irata-ratakan kembali untuk reshold) untuk mencari jenis ecara rata-rata merupakan gi. Selanjutnya dilakukan rata-rata akses pembelajar g materi dengan batasan itentukan. Apabila rata-rata ap jenis materi tersebut lebih i tersebut akan ditampilkan. ri pembelajaran yang dapat vel materi 1 yang terdiri dari t saja (M), (2) level materi 2 ateri singkat disertai dengan P), dan (3) level materi 3 n materi singkat, materi
mbahan (M+P+T).
ntuan peningkatan motivasi jumlah aktivitas pembelajar g forum (F1, F2, dan F3) yang akan diproses. Adapun motivasi dapat dilihat pada
enentuan Peningkatan Aktivitas Forum.
apat dilihat frekuensi akses akan dibandingkan dengan mbelajar terhadap masing-itu Forum 1 (F1), Forum 2
Proses terakhir dari m pembelajaran yang sesuai keb adalah penentuan next ta pengetahuan. Proses penentuan dilihat pada Gambar 5 berikut.
Gambar 5. Proses Penentu Kemampuan Penge Untuk menentukan next pengetahuan pembelajar sebelum posisi kategori KP terakhir ber dimiliki. Setelah ketegori seb maka sistem akan merekomendas satu tingkat diatas posisi sebelum Sebagai contoh, seorang tipe belajar tertentu setelah me tersebut akan menghasilkan ko yang sesuai dengan kebutuhan s Gambar 6 berikut.
Gambar 6. Pemetaan Sebua dengan Konten Pembelajar Kebutuhan. Adapun hasil dari dari ra personalisasi konten pem dikembangkan diimplementasika learning management system Moodle. Hasil implementasi te Student Centered E-learning Personalisasi Dinamis E-learni Ilustrasi tampilan personalisasi k untuk pembelajar dapat diliha berikut.
Gambar 7. Antarmuka Pers Pembelajaran pada SC
5. Eksperimen dan Hasil Sistem diujicobakan kepa yang menjadi peserta matakulia (PI) semester gasal tahun aja Fakultas Ilmu Komputer, Univer
menentukan konten ebutuhan pembelajar target kemampuan an next target dapat
tuan Next Target
getahuan.
t target kemampuan umnya harus diketahui erdasarkan nilai yang ebelumnya diketahui, dasikan next target KP umnya.
g pembelajar dengan melalui ketiga proses konten pembelajaran seperti ilustrasi pada
uah Tipe Belajar aran yang Sesuai n.
rancangan algoritma embelajaran yang ikan ke dalam sebuah m (LMS) berbasis tersebut diberi nama ng Environment – rning (SCELE-PDE). i konten pembelajaran hat pada Gambar 7
rsonalisasi Konten SCELE-PDE
pada 118 pembelajar liah Penulisan Ilmiah ajaran 2013/2014 di versitas Indonesia. Uji
coba dilakukan selama sat untuk mengetahui animo dengan menggunakan f SCELE, maka peneliti pembelajaran, yaitu taha sebagai tahapan identifikas hingga 12) sebagai tahap Meskipun pembelajaran d sistem personalisasi kon digunakan pada minggu-m Pemberian personalisasi a nilai pada ketiga faktor ter Pada uji coba dipero ke dalam materi pembela kebutuhan. Selain itu, personalisasi setiap ind dilakukan pengamatan t (lihat Tabel 5).
Catatan:GB: Gaya Belaja Kemampuan Pengetahuan.
Pada Tabel 5 dapat pembelajar yang meng sebagian faktor yaitu leve pengetahuan, namun ada mengalami perubahan pas merubah tipe belajar pemb
Setelah uji coba dilakukan evaluasi untuk m dari sistem yang dikemban dengan membandingkan p menggunakan fitur pers (kelompok eksperimen) Penulisan Ilmiah (PI) 201 pembelajar yang tida personalisasi SCELE (kelo mata kuliah PI dan M Penulisan Ilmiah (MPP pembelajar dilihat dari n dari nilai ujian dan kuis.
Untuk mengetahui si rata-rata kelompok pembe
atu semester. Dengan tujuan mo aktivitas pembelajaran fitur personalisasi dalam liti membagi dua tahap hap (Minggu 1 hingga 7) kasi, dan Tahap 2 (Minggu 8 ap pemberian personalisasi. dilakukan pada dua tahap, onten pembelajaran dapat minggu awal pembelajaran. i akan terus berubah apabila
ersebut berubah.
roleh pemetaan tipe belajar lajaran yang sesuai dengan , diamati pula perubahan individu. Sebagai contoh terhadap dua pembelajar
n Personalisasi Konten Pembelajar ngalami perubahan pada vel materi dan kemampuan ada juga pembelajar yang pasa semua faktor sehingga belajar yang cukup tinggi. dilaksanakan selanjutnya k mengetahui pengoptimalan bangkan. Evaluasi dilakukan performa pembelajar yang rsonalisasi dalam SCELE ) yaitu pada matakuliah 013/2014 dengan performa dak menggunakan fitur elompok kontrol) yaitu pada Metodologi Penelitian dan PI) 2012/2013. Performa nilai akhir yang diperoleh
one-way ANOVA dan uji lanjutan multi perbandingan dengan t-SCHEFFE. Hasilnya diperoleh, terdapat perbedaan signifikan antara rata-rata nilai akhir kelompok eksperimen dengan kelompok kontrol dengan nilai sig. sebesar 0,000 (p<0,05) dan perbedaan rata-rata nilai maksimal dapat mencapai 13,68. Dapat disimpulkan, bahwa performa pembelajar yang menggunakan fitur personalisasi dalam SCELE lebih baik daripada pembelajar yang tidak menggunakan fitur personalisasi.
6. Kesimpulan dan Saran
Personalisasi konten pembelajaran merupakan personalisasi dengan memberikan konten pembelajaran sesuai dengan karakteristik, preferensi, dan kebutuhan pembelajar. Terdapat 4 komponen yang dibutuhkan dalam personalisasi konten pembelajaran yaitu fitur umum e-learning, data log pembelajaran, konten pembelajaran, dan data evaluasi pembelajaran. Dengan memanfaatkan 36 tipe belajar triple-factor terbentuklah sebuah algoritma yang mampu memetakan tipe belajar ke dalam konten pembelajaran yang sesuai. Konten pembelajaran yang dimaksud terdiri dari 3 kemungkinan level materi pembelajaran, 8 kemungkinan aktivitas motivasi yang harus ditingkatkan, dan 4 kemungkinan next target kemampuan pengetahuan yang harus dicapai pembelajar.
Dari hasil ekperimen kemudian dievaluasi dengan uji statistik menyatakan bahwa performa pembelajar yang menggunakan fitur personalisasi lebih baik dibandingkan dengan performa pembelajar yang tidak menggunakan fitur personalisasi. Rencana pengembangan lebih lanjut dari penelitian ini diantaranya: (1) disain dan implementasi otomatisasi rekomendasi konten pembelajaran, (2) peningkatan kualitas dan kuantitas dari konten pembelajaran yang diberikan.
Daftar Pustaka:
[1] ITU, 2013, Global ICT Developments, International Telecommunication Union, Retrieved Desember
23, 2013, from:
http://www.itu.int/en/ITU-D/Statistics/Pages/stat/default.aspx
[2] APJII, 2013, Indonesia Internet Users, Asosiasi Penyelenggara Jasa Internet Indonesia, Retrieved
Desember 23, 2013, from:
http://www.apjii.or.id/v2/index.php/read/page/hala man-data/9/statistik.html
[3] P. C, Sun, et al, 2006, What Drives a Sucessful E-learning? An Empirical Investigation of The Critical Factors Influencing Learner Satisfaction,
Computers & Education, Elsevier,
doi:10.1016/j.compuedu.2006.11.007. pp. 1-20.
[4] Sfenrianto dan Hasibuan, Z. A, 2011,
Triple-Characteristic Model (TCM) in E-Learning System. Proceedings of 4th International Conference on Computer Science and Information Technology. IEEE, Chengdu.
[5] Santoso, H. B., 2007, Pemodelan Personalisasi
Pembelajaran Berdasarkan Aspek Gaya Belajar Pada Student Centered E-Learning Environment.
Tesis, Universitas Indonesia, Fakultas Ilmu Komputer, Depok.
[6] Sfenrianto, 2013, Pendekatan Tipe Belajar Triple-Factor dalam E-learning Process sebagai Basis Rekomendasi dan Personalisasi Pembelajaran, Ujian Pra-promosi, Universitas Indonesia, Fakultas Ilmu Komputer, Depok.
[7] Moore, J. L., Deane C. D., dan Galyen K., 2010, E-Learning, Online learning, and Distance Learning Environments: Are They The Same? Internet & Higher Education, Elsevier, Vol 14. pp.129-135. [8] Du, H., Liu H., & Wei L., 2010, On the
Characteristics and Application of Integrated E-learning. Proceedings of 2nd International Conference on e-Business and Information System Security, IEEE, Wuhan. pp.1-3.
[9] Ashley, K., Davis R., dan Pinsent E., 2008,
Significant Properties of E-learning Objects, JISC Information Environment Committee.
[10] Noor, S. F., Yusof N. S., & Hashim Z. M., 2011,
Creating Granular Learning Object Towards Reusability of Learning Object in E-learning Context, Proceedings of International Conference on Electrical Engineering and Informatics, IEEE, Bandung, Indonesia, pp. 1-5.
[11] Knauf, R., et al., 2010, Personalizing Learning Processes by Data Mining, Proceedings of 10th International Conference on Advanced Learning Technologies, IEEE, pp. 488-492.
[12] Banu, R. K. dan Ravanan, R., 2011, Analysis of E-learning in Data Mining - A Dreamed Vision for Empowering Rural Students in India. Proceedings of International Conference in Recent Trends in Information Technology, IEEE, MIT, Anna University, Cennai, pp. 1265-1269.
[13] Xie, K., Durrington V., dan Yen L., 2011,
Relationship Between Students’ Motivation and Their Participation in Asynchronous Online Discussion, MERLOT Journal of Online Learning and Teaching, Vol. 7(1) March, pp.17-29.
[14] Jamuna, R.S., Ashok, M. S. & Palanivel, K., 2009,
Adaptive Content for Personalized E-learning using Web Service and Semantic Web, Proceedings of International Conference on Intelligent Agent and Multi-Agent System, IEEE, Chennai, pp. 1-4. [15] Jyothi, N., et al., 2012, A Recommender System
Assisting Instructor in Building Learning Path for Personalized Learning System, Proceedings of Fourth International Conference on Technology for Education, IEEE, Hyderabad, pp. 228-230.
[16] Kolekar, S. V., Sanjeevi, S.G., & Bormane, D. S., 2010, Learning Style Recognition using Artificial Neural Network for Adaptive User Interface in E-Learning, Proceedings of International Conference on Computational Intelligence and Computing Research, IEEE, Coimbatore, pp. 1-5.