Pembelajaran Jarak Jauh (PJJ) menuntut mahasiswa untuk terlibat aktif secara mandiri melalui platform Learning Management System (LMS). Namun, keterlibatan belajar atau Learning Engagement sulit diukur secara objektif, karena bergantung pada survei atau respons subjektif. Penelitian ini bertujuan untuk mengidentifikasi tingkat keterlibatan mahasiswa secara otomatis dengan data log LMS. Rendahnya keterlibatan dapat berdampak pada penurunan pencapaian akademik, terutama mahasiswa PJJ yang bekerja atau memiliki tanggung jawab keluarga. Sementara itu, pendekatan berbasis survei tidak mencerminkan perilaku aktual mahasiswa. Oleh karena itu, dibutuhkan metode yang lebih objektif dan berbasis data. Penelitian ini membangun sistem klasifikasi Learning Engagement, dengan fitur keterlibatan, seperti waktu akses LMS, frekuensi akses LMS, serta interaksi terhadap kuis dan tugas. Data dilabeli menggunakan K-Means agar menjadi tiga klaster, seperti rendah, sedang, dan tinggi, lalu diklasifikasikan menggunakan Support Vector Machine (SVM). Proses validasi dilakukan dengan Stratified K-Fold dan hyperparameter tuning. Model terbaik diperoleh dari kernel linear dengan nilai C = 0.1 untuk Kalkulus Lanjut dan kernel rbf dengan parameter C = 1 serta gamma = 0.1 untuk Pemrograman Basis Data. Evaluasi data uji pada kedua mata kuliah menghasilkan akurasi maksimal, sebesar 100%. Hasil ini menunjukkan bahwa pendekatan klasifikasi berbasis data log LMS mampu mengidentifikasi Learning Engagement dengan objektif dalam konteks PJJ. Kata Kunci: Learning Engagement, data log LMS, klaster, klasifikasi, SVM.
Kata Kunci: Learning Engagement, data log LMS, klaster, klasifikasi, SVM.