COVER Rasim
PUBLIC Alice Diniarti BAB 1 Rasim
PUBLIC Alice Diniarti BAB 2 Rasim
PUBLIC Alice Diniarti BAB 3 Rasim
PUBLIC Alice Diniarti BAB 4 Rasim
PUBLIC Alice Diniarti BAB 5 Rasim
PUBLIC Alice Diniarti BAB 6 Rasim
PUBLIC Alice Diniarti PUSTAKA Rasim
PUBLIC Alice Diniarti
Disertasi ini mendalami bidang teknologi pendidikan untuk pembelajaran remedial
dalam lingkungan pembelajaran virtual. Secara khusus disertasi ini meneliti
Intelligent Tutoring (IT) dan Imersi (immersion) yang menghasilkan model
Immersive Intelligent Tutoring (IIT). Penelitian ini meliputi pengembangan
arsitektur IIT yang digunakan untuk membangun sistem IIT dan uji coba IIT untuk
mengetahui penerimaan pengguna dan dampaknya dalam pembelajaran di kelas.
IT merupakan sistem pembelajaran berbasis Artificial Intellegence (AI) yang
mengarah kepada pembelajaran personal. Persoalan utama dalam IT adalah
mengetahui karakteristik pelajar dan strategi pembelajaran apa yang cocok untuk
setiap pelajar yang memiliki minat, batasan, dan kapabilitas sendiri. Penelitian ini
bertujuan untuk mengidentifikasi karakteristik pelajar secara statis dan dinamis
dengan menggunakan Bayesian Knowledge Tracing (BKT). Pembelajaran remedial
digunakan sebagai strategi pembelajaran dalam bentuk latihan soal menggunakan
faded worked-out example.
Dalam pembelajaran, Imersi dapat meningkatkan efektivitas pembelajaran. Imersi
dapat dilakukan dengan memperbaiki proses pembelajaran dan membuat
lingkungan pembelajaran yang menyenangkan. Penelitian ini bertujuan untuk
meningkatkan imersi pelajar dengan memberikan Immediate Explanation
Feedback dan membangun Virtual Learning Environment (VLE) yang memiliki
presentasi yang kaya, teknik interaksi yang ramah pengguna, memiliki kemampuan
adaptif dan menyediakan kolaborasi antar-pelajar.
Pembangunan model IIT menggunakan System Modeling Language (SysML)
melalui 4 pilarnya, yaitu: Requirements, Structure, Behavior, dan Parametrics.
Sedangkan pembangunan sistem pembelajaran sebagai purwarupa dari model ini
menerapkan teori komputasi dan teori pembelajaran. Teori komputasi yang
digunakan yaitu: BKT dan genetic algorithm. Teori pembelajaran menggunakan
metode remedial yang di dalamnya terdiri dari faded worked-out example dan
Immediate Explanation Feedback. Sistem pembelajaran ini menggunakan
arsitektur client/server yang melibatkan Learning Managament System (LMS),
Simulation Linked Object Oriented Dynamic Learning Environment (SLOODLE),
dan Open Simulator.
Pengujian model dilakukan melalui pembuktian komputasi, validasi model, dan
pengujian edukatif. Pembuktian komputasi menggunakan Root Mean Square Error
(RMSE), validasi model menggunakan feature analysis dan pengujian edukatif
menggunakan kombinasi Technology Acceptance Model (TAM) dan HedonicMotivation System Adoption Model (HMSAM) dan metode statistik untuk menguji
dampak penggunaan model dalam pembelajaran di kelas.
Kontribusi penelitian disertasi ini berupa efektivitas pembelajaran dalam
pencapaian tujuan pembelajaran yang meliputi: pertama adalah penggunaan
machine learning dalam model IIT pada komponen kritis IIT yaitu model pelajar
dan model pedagogi. Kontribusi kedua adalah model IIT terdiri dari 4 komponen
dasar ITS dengan penambahan komponen remedial pada komponen tutoring,
komponen imersi pada komponen tutoring dan antarmuka, dan komponen author
pada komponen domain. Kontribusi ketiga adalah IITS untuk pembelajaran
remedial dalam VLE yang melibatkan pelajar dalam proses pembelajaran,
penyampaian bahan ajar sesuai dengan model pelajar. Kontribusi keempat adalah
model pengujian penerimaan pengguna menggunakan kombinasi TAM dan
HMSAM serta pengujian statistik untuk mengetahui dampak penerapan model pada
pembelajaran.
Hasil pengujian menunjukkan 83% pelajar merasa senang dengan pembelajaran.
Sementara evaluasi dampak pada hasil belajar melalui uji Mann-Whitney dengan
nilai Asymp. Sig. = 0,490 menunjukkan bahwa penggunaan model ini berbeda
secara signifikan dari pembelajaran tradisional. Hasil uji analisis path menunjukkan
bahwa atribut enjoyment dan immersion memberikan pengaruh positif terhadap
learning outcome. Namun penelitian ini masih meninggalkan celah untuk dapat
ditindaklanjuti pada penelitian ke depannya, seperti: 1) Masih banyak atribut yang
dapat digunakan sebagai parameter untuk menentukan model pelajar seperti
perilaku pelajar dalam belajar, lamanya waktu pelajar melakukan kegiatan dalam
kegiatan belajar atau frekuensi pelajar mengunjungi situs kegiatan favoritnya; 2)
Penggunaan algoritma lain dalam machine learning atau artificial inteligence yang
mungkin meningkatkan dukungan teknologi pembelajaran dalam meningkatkan
efektivitas pembelajaran.