INDOGRAF-Tren pembelajaran daring yang berfokus pada peningkatan nilai akhir seringkali menyebabkan kegagalan dalam evaluasi belajar siswa. Melihat persoalan tersebut, lulusan program doktoral Departemen Teknik Elektro Institut Teknologi Sepuluh Nopember (ITS) Dr Bruri Trya Sartana SKom MM MKom mengembangkan model sistem peringatan dini yang memanfaatkan data perilaku belajar untuk mengidentifikasi risiko akademik pembelajaran daring.
Bruri mengungkapkan, sistem pembelajaran daring yang memanfaatkan Learning Management System (LMS) berpotensi menimbulkan pola-pola kegagalan dalam belajar. Ia menggunakan jejak digital yang mencakup aktivitas akses materi, interaksi, serta pola penyelesaian tugas untuk mengamati pola-pola yang menyebabkan kegagalan. “Evaluasi akhir yang hanya memanfaatkan nilai akhir kurang efektif dalam menilai keberhasilan belajar siswa,” jelasnya.
Lebih lanjut, dosen Fakultas Teknologi Informasi Universitas Budi Luhur tersebut menambahkan bahwa risiko akademik merupakan faktor yang multidimensional. Faktor-faktor tersebut dapat dilihat dari pola keterlibatan belajar siswa, stabilitas performa asesmen, dan perilaku prokrastinasi dalam menyelesaikan tugas. “Faktor demografis turut diukur terhadap kemungkinan risiko kegagalan belajar siswa,” tambahnya.
Dalam mengembangkan penelitiannya, lelaki asal Jakarta itu menggunakan pendekatan machine learning non-linear dalam 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. “Hal tersebut bertujuan untuk memastikan relevansi dalam implementasi di lingkup pendidikan,” terangnya.
Selain itu, Bruri juga menggunakan model penelitian Categorical Boosting (CatBoost) dengan proses optimasi hiperparameter melalui framework Optuna. Untuk menjamin reliabilitas model, evaluasi dilakukan menggunakan metode 5-fold stratified cross validation. “Pendekatan ini memungkinkan distribusi data yang seimbang, sehingga hasil evaluasi menjadi lebih stabil dan minim bias,” paparnya.
Melalui kombinasi pendekatan tersebut, Bruri menjelaskan bahwa model CatBoost mampu memberikan performa paling unggul dibandingkan model pembanding lainnya. Keunggulan tersebut terlihat pada nilai Area Under Curve (AUC), tingkat akurasi, serta konsistensi hasil pada setiap tahap pengujian. “Model ini mampu mendeteksi mahasiswa berisiko sebelum memasuki tahap evaluasi akhir,” ungkapnya.
Dengan kombinasi tersebut, Bruri merancang sistem peringatan dini berdasarkan rentang waktu tertentu. Ia membagi mekanisme deteksi risiko ke dalam tiga tahap, yakni jangka pendek, jangka menengah, dan jangka panjang. “Sistem ini dapat mendeteksi risiko waktu dekat hingga menghasilkan proyeksi potensi keterlambatan kelulusan,” jelasnya.
Pada tahap jangka pendek, Bruri menuturkan bahwa sistem akan mengidentifikasi mahasiswa yang mulai menunjukkan penurunan keterlibatan belajar, seperti terlambat dalam mengumpulkan tugas. Tahap jangka menengah akan memantau stabilitas performa asesmen dan pola konsistensi akademik. “Tahap jangka panjang dirancang untuk memproyeksikan kemungkinan mahasiswa tidak mencapai target kelulusan tepat waktu berdasarkan performa dan perilaku belajar yang terdeteksi sejak awal,” bebernya.
Temuan ini membuktikan bahwa integrasi data LMS dengan pendekatan machine learning non-linear dapat menjadi fondasi sistem peringatan dini yang akurat dan aplikatif. Lelaki berkcamata itu menjelaskan bahwa penelitian ini mendukung komitmen Sustainable Development Goals (SDGs) pada poin ke-4, yakni Pendidikan Berkualitas. Dengan implementasi yang tepat, penelitian ini dapat membantu institusi pendidikan dalam meningkatkan keberhasilan pembelajaran daring secara berkelanjutan.
