BSINews – Perkembangan teknologi Kecerdasan Buatan (Artificial Intelligence/AI) terus mendobrak batas-batas konvensional dalam dunia pendidikan. Salah satu inovasi yang kini menjadi sorotan adalah sistem pembelajaran adaptif sebuah teknologi yang bertindak layaknya tutor pribadi digital, mampu menyesuaikan materi dan tingkat kesulitan secara real-time berdasarkan kemampuan masing-masing peserta didik.
Menjawab tantangan transformasi digital ini, tim dosen dari Universitas Bina Sarana Informatika (UBSI) kampus Tasikmalaya berhasil mengembangkan pendekatan baru yang membuat AI dalam pendidikan menjadi lebih pintar, terstruktur, dan akurat.
Penelitian inovatif ini digagas oleh Miftah Farid Adiwisastra, Yani Sri Mulyani, dan Yanti Apriyani, dosen dari Program Studi (Prodi) Sistem Informasi UBSI kampus Tasikmalaya, Jawa Barat. Hasil temuan mereka telah dipublikasikan dalam jurnal bergengsi terindeks Sinta 2, yakni Jurnal INTENSIF Volume 10 Nomor 2 Tahun 2026, dengan tajuk “An Object-Oriented Bayesian Knowledge Tracing Framework for Adaptive Learning“.
Baca juga: ICAISD 2026 Terima 79 dari 168 Paper, UBSI Perkuat Standar Publikasi Ilmiah Internasional
Mengakhiri Era “Satu Metode untuk Semua”
Dalam ekosistem pembelajaran konvensional, setiap mahasiswa umumnya menerima materi dan porsi latihan yang seragam. Padahal, kecepatan pemahaman, pola belajar, dan tingkat penguasaan keterampilan setiap individu sangatlah bervariasi.
Untuk menjembatani kesenjangan tersebut, sistem pembelajaran adaptif memanfaatkan teknologi Bayesian Knowledge Tracing (BKT). BKT adalah model probabilistik yang mampu memperkirakan tingkat penguasaan materi seorang siswa layaknya seorang guru yang memantau rekam jejak muridnya.
Sebagai contoh, ketika seorang mahasiswa berhasil menjawab serangkaian soal pemrograman dengan benar, sistem BKT secara otomatis memperbarui estimasi penguasaan keterampilannya dan menaikkan level tantangan. Sebaliknya, jika mahasiswa tersebut terlihat kesulitan, sistem akan mendeteksinya dan merekomendasikan latihan tambahan untuk memperkuat pemahaman dasar. Hasilnya, pengalaman belajar digital menjadi jauh lebih personal.
Memadukan Probabilitas dan Arsitektur Modular
Sebagian besar penelitian BKT sebelumnya hanya berkutat pada perombakan rumus matematis yang rumit, namun sering mengabaikan sisi ketahanan dan keberlanjutan perangkat lunaknya (maintainability). Di sinilah letak keunggulan inovasi dari tim Dosen UBSI kampus Tasikmalaya.
Mereka tidak merombak rumus dasar BKT, melainkan melakukan inovasi pada sisi arsitektur sistem. Tim memadukan BKT dengan konsep Object-Oriented Programming (OOP) menggunakan bahasa pemrograman Python. Sistem ini dibangun menggunakan arsitektur tiga lapisan (Layered Architecture):
- Application Layer: Berupa dashboard visual untuk memantau prediksi penguasaan siswa, mempermudah pengambilan keputusan pembelajaran.
- Model Layer: Komponen komputasi inti yang dipecah menjadi modul-modul (kelas OOP) yang rapi, seperti modul manajemen profil siswa (‘StudentModel’), pengelompokan parameter probabilitas (‘Skill’), hingga mesin pemroses data jawaban (‘BKTUpdater’).
- Data Layer: Sistem penyimpanan riwayat interaksi siswa secara mendetail.
Melalui pendekatan OOP, algoritma BKT yang rumit ibarat dipecah menjadi blok-blok lego yang terstruktur. Hal ini tidak hanya meminimalisir eror dalam penulisan kode (coding inconsistencies), tetapi juga membuat sistem lebih mudah dikembangkan dan diintegrasikan dengan teknologi analitik modern lainnya.
Bukti Peningkatan Performa
Untuk menguji efektivitas kerangka kerja baru ini, tim peneliti mengolah dataset yang berisi 500 catatan interaksi dari 50 mahasiswa pemrograman selama periode Januari hingga Juni 2025. Evaluasi dilakukan menggunakan metode 5-Fold Cross Validation.
Hasilnya menunjukkan bahwa BKT berbasis OOP secara konsisten mengungguli implementasi BKT konvensional pada semua metrik pengujian:
- Tingkat Akurasi (Accuracy): Mengalami peningkatan relatif sebesar 1,53% (naik dari 78,5% menjadi 79,7%).
- Daya Beda (AUC): Kemampuan model dalam membedakan mahasiswa yang sudah paham dan yang belum paham meningkat sebesar 1,06% (dari 0,847 menjadi 0,856).
- Tingkat Kesalahan (RMSE): Angka kesalahan prediksi berhasil ditekan dan berkurang sekitar 2,85% (turun dari 0,386 menjadi 0,375).
Meskipun secara persentase peningkatannya terlihat moderat, temuan ini membuktikan satu hal krusial: perbaikan kualitas sistem AI tidak selalu harus bergantung pada penemuan algoritma baru. Rekayasa perangkat lunak yang baik dan terstruktur terbukti ampuh meningkatkan konsistensi parameter dan menekan tingkat kesalahan komputasi secara signifikan.
Fondasi Baru untuk Platform E-Learning Masa Depan
Publikasi penelitian ini menjadi bukti nyata kontribusi akademisi UBSI yang terkenal sebagai Kampus Digital Kreatif, dalam mendorong kemajuan teknologi informasi di sektor pendidikan. Melalui pengembangan lebih lanjut, kerangka kerja BKT-OOP ini memiliki potensi besar untuk diadopsi ke dalam Learning Management System (LMS) modern.
Ke depannya, sistem ini tidak hanya bisa dimanfaatkan untuk memantau kemampuan mahasiswa secara real-time, tetapi juga dikembangkan untuk merekomendasikan bahan bacaan tambahan secara otomatis atau diintegrasikan dengan teknologi Machine Learning lainnya.
Di tengah laju transformasi digital yang masif, penelitian ini mengirimkan pesan penting: kolaborasi harmonis antara ilmu rekayasa perangkat lunak, kecerdasan buatan, dan pedagogi adalah kunci utama untuk menghadirkan ekosistem pendidikan yang fleksibel, tangguh, dan benar-benar berpusat pada kebutuhan peserta didik.
