Perpustakaan Digital ITB

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.