SURABAYA (Suarapubliknews) ~ Tren pembelajaran daring yang berfokus pada peningkatan nilai akhir dinilai belum mampu menggambarkan secara utuh keberhasilan belajar siswa. Kondisi tersebut mendorong lulusan program doktoral Departemen Teknik Elektro Institut Teknologi Sepuluh Nopember (ITS), Dr Bruri Trya Sartana S.Kom., M.M., M.Kom., mengembangkan model sistem peringatan dini berbasis data perilaku belajar untuk mengidentifikasi risiko akademik dalam pembelajaran daring.
Bruri menjelaskan, sistem pembelajaran daring yang memanfaatkan Learning Management System (LMS) menyimpan jejak digital yang dapat dianalisis untuk membaca potensi kegagalan belajar. Jejak tersebut mencakup aktivitas akses materi, interaksi pembelajaran, hingga pola penyelesaian tugas. “Evaluasi akhir yang hanya memanfaatkan nilai akhir kurang efektif dalam menilai keberhasilan belajar siswa,” ujarnya.
Menurut dosen Fakultas Teknologi Informasi Universitas Budi Luhur tersebut, risiko akademik bersifat multidimensional. Selain nilai asesmen, faktor lain seperti keterlibatan belajar, stabilitas performa, hingga perilaku prokrastinasi turut memengaruhi potensi kegagalan. “Faktor demografis juga kami ukur untuk melihat kemungkinan risiko kegagalan belajar siswa,” tambahnya.
Dalam penelitiannya, Bruri menggunakan pendekatan machine learning non-linear untuk memodelkan hubungan antara variabel perilaku belajar dan risiko akademik. Dataset utama yang digunakan adalah Open University Learning Analytics Dataset (OULAD), yang kemudian divalidasi menggunakan data LMS Moodle institusional. “Validasi ini bertujuan memastikan model relevan untuk implementasi di lingkungan pendidikan yang nyata,” jelasnya.
Model yang dikembangkan menggunakan metode Categorical Boosting (CatBoost) dengan optimasi hiperparameter melalui framework Optuna. Untuk menjaga reliabilitas, evaluasi dilakukan menggunakan metode 5-fold stratified cross validation. “Pendekatan ini memungkinkan distribusi data yang seimbang sehingga hasil evaluasi lebih stabil dan minim bias,” paparnya.
Hasil penelitian menunjukkan model CatBoost memberikan performa paling unggul dibandingkan model pembanding lainnya, ditinjau dari nilai Area Under Curve (AUC), tingkat akurasi, serta konsistensi hasil pengujian. “Model ini mampu mendeteksi mahasiswa berisiko sebelum memasuki tahap evaluasi akhir,” ungkapnya.
Bruri kemudian merancang sistem peringatan dini berbasis rentang waktu, yang dibagi ke dalam tiga tahap deteksi risiko: jangka pendek, jangka menengah, dan jangka panjang. Pada tahap jangka pendek, sistem mengidentifikasi penurunan keterlibatan belajar, seperti keterlambatan pengumpulan tugas.
Tahap jangka menengah memantau stabilitas performa asesmen dan konsistensi akademik. Sementara tahap jangka panjang memproyeksikan kemungkinan mahasiswa tidak mencapai target kelulusan tepat waktu. “Dengan pendekatan ini, institusi pendidikan dapat melakukan intervensi lebih dini sebelum risiko berkembang menjadi kegagalan akademik,” jelasnya.
Temuan tersebut menunjukkan integrasi data LMS dengan machine learning non-linear berpotensi menjadi fondasi sistem peringatan dini yang akurat dan aplikatif. Penelitian ini juga mendukung komitmen Sustainable Development Goals (SDGs) poin ke-4 tentang Pendidikan Berkualitas.
Dengan implementasi yang tepat, sistem ini diharapkan mampu membantu institusi pendidikan meningkatkan efektivitas pembelajaran daring sekaligus meminimalkan risiko kegagalan akademik secara berkelanjutan. (q cox, tama dini)
