ABSTRAK Nama : Tuti Purwoningsih Program Studi : Doktor Ilmu Komputer Judul : Model E-Learning berbasis Konteks Pembelajaran Mahasiswa pada Pendidikan Jarak Jauh. Pembimbing : Prof. Dr. Eng. Wisnu Jatmiko, Prof. Zainal A. Hasibuan, Ph.D., & Harry Budi Santoso, Ph.D. Dalam beberapa dekade terakhir, penyelenggaraan e-Learning telah meningkatkan akses dan pemerataan pendidikan. Berbagai format penyelenggaraan E-Learning telah dilakukan, termasuk pada konteks Pendidikan Jarak Jauh (PJJ). Seiring dengan perkembangan teknologi informasi dan variasi implementasinya, penyelenggaraan e-Learning menghasilkan data aktivitas pembelajaran yang volumenya semakin besar dalam waktu yang relatif cepat. Kendati demikian, datadata tersebut belum dapat memberikan informasi dan pengetahuan yang berarti tanpa ada proses eksplorasi dan analisis data yang dikenal dengan Learning Analytics (LA). Sementara ini, penelitian LA tentang konteks pembelajaran eLearning pada PJJ yang menggunakan data besar belum banyak dilakukan. Tujuan dari penelitian ini adalah menghasilkan sebuah model e-Learning berbasis konteks pembelajaran mahasiswa pada PJJ. Melalui penelitian ini diidentifikasi fitur apa saja yang dibutuhkan untuk membangun model konteks pembelajaran mahasiswa e-Learning pada PJJ, pengaruh fitur-fitur model konteks pembelajaran terhadap prediksi prestasi akademik mahasiswa e-Learning pada PJJ, dan pengaruh model konteks pembelajaran tersebut terhadap preskripsi strategi instruksional daring. Data yang digunakan dalam penelitian ini bersumber dari logs Learning Management System (LMS) dan Sistem Informasi Akademik Universitas Terbuka (SIA-UT). Pengolahan data tersebut menggunakan teknik Exploratory Data Analysis (EDA) dan model pengklasifikasi Machine Learning (ML) dengan eXtreme Gradient Boosting (XGBoost) untuk memprediksi prestasi akademik mahasiswa. Adapun model validasi yang digunakan adalah k-fold cross-validation dan Shapley Additive exPlanations (SHAP) untuk menginterpretasikan kontribusi fitur pada prediksi prestasi akademik mahasiswa e-Learning pada PJJ. Dataset dalam penelitian ini termasuk multiclass imbalanced maka dilakukan oversampling menggunakan teknik Synthetic Minority Oversampling Technique (SMOTE) dan Adaptive Synthetic Sampling (ADASYN). Selanjutnya, penelitian ini menggunakan metrik The Area Under the ROC Curve (AUC) sebagai indikator kinerja evaluasi model. Model preskriptif pada penelitian ini menggunakan analisis heuristik sebagai seperangkat aturan “bagaimana-jika”. Hasil evaluasi dan eksperimen menunjukkan bahwa fitur-fitur yang digunakan untuk membangun model konteks pembelajaran mahasiswa e-Learning pada PJJ terdiri dari: (1) data aktivitas dan perilaku pembelajaran mahasiswa selama proses pembelajaran, (2) data profil demografi dan akademik mahasiswa, serta kebiasaan belajar mahasiswa. Model pengklasifikasi XGBoost memiliki kinerja rata-rata mikro AUC sebesar 0,92. Selain viii Universitas Indonesia itu, nilai metrik AUC stabil dalam validasi model, k-fold cross-validation = 10. Dua nilai tersebut menunjukkan kemampuan teknik yang digunakan dalam penelitian ini dalam mendeteksi prestasi akademik mahasiswa. Analisis visual dari prediksi XGBoost dan SHAP mengungkapkan pola kepentingan fitur setiap kelas prestasi akademik untuk setiap kelas memiliki kekhasan yang berbeda-beda. Berdasarkan analisis heuristik, preskripsi strategi instruksional pada penelitian ini berhubungan dengan Teori Maslow, self-regulated learning, pedagogi pembelajaran daring, dan level taksonomi digital Bloom. Strategi instruksional dan prestasi akademik memiliki hubungan yang signifikan karena mahasiswa secara aktif memproses informasi sehingga mempengaruhi penguasan terhadap materi bahan ajar. Hasil penelitian ini dapat menjadi pilihan pendidik maupun institusi PJJ menyusun strategi intruksional yang lebih tepat sesuai dengan karakteristik mahasiswa. Kata Kunci: e-Learning, exploratory data analysis, machine learning, learning analytics, konteks pembelajaran, strategi instruksiona