Surabaya (prapanca.id) – Tren pembelajaran daring yang berorientasi pada nilai akhir dinilai belum mampu menggambarkan keberhasilan belajar mahasiswa secara menyeluruh. Menjawab tantangan tersebut, lulusan program doktor Departemen Teknik Elektro Institut Teknologi Sepuluh Nopember (ITS), Dr Bruri Trya Sartana, mengembangkan sistem peringatan dini untuk mendeteksi risiko akademik dalam pembelajaran daring.
Bruri menjelaskan, sistem pembelajaran berbasis Learning Management System (LMS) menyimpan jejak digital yang dapat dimanfaatkan untuk mengidentifikasi pola kegagalan belajar. Data tersebut meliputi frekuensi akses materi, intensitas interaksi, hingga pola penyelesaian tugas. “Evaluasi yang hanya bertumpu pada nilai akhir kurang efektif dalam memetakan proses dan risiko belajar mahasiswa,” ujarnya.
Dosen Fakultas Teknologi Informasi Universitas Budi Luhur itu menambahkan, risiko akademik bersifat multidimensional. Indikatornya mencakup tingkat keterlibatan belajar, stabilitas performa asesmen, kecenderungan prokrastinasi, serta faktor demografis yang memengaruhi kemungkinan kegagalan studi.
Dalam penelitiannya, Bruri menerapkan 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 guna memastikan relevansi implementasi di lingkungan pendidikan tinggi.
Ia mengimplementasikan model Categorical Boosting (CatBoost) dengan optimasi hiperparameter melalui framework Optuna. Untuk menjamin reliabilitas, evaluasi model dilakukan menggunakan metode 5-fold stratified cross validation. Pendekatan ini memastikan distribusi data yang proporsional sehingga hasil pengujian lebih stabil dan minim bias.
Hasil penelitian menunjukkan model CatBoost memiliki performa paling unggul dibandingkan model pembanding lainnya. Keunggulan tersebut tercermin pada nilai Area Under Curve (AUC), tingkat akurasi, serta konsistensi performa pada setiap tahap validasi. “Model ini memungkinkan deteksi mahasiswa berisiko sebelum memasuki evaluasi akhir,” kata Bruri.
Sistem peringatan dini yang dirancang dibagi dalam tiga horizon waktu, yakni jangka pendek, menengah, dan panjang. Pada tahap jangka pendek, sistem mendeteksi penurunan keterlibatan seperti keterlambatan pengumpulan tugas. Tahap menengah memantau stabilitas performa asesmen dan konsistensi akademik. Sementara itu, tahap jangka panjang memproyeksikan potensi keterlambatan kelulusan berdasarkan pola performa dan perilaku yang terdeteksi sejak awal.
Bruri menegaskan, integrasi data LMS dengan machine learning non-linear berpotensi menjadi fondasi sistem peringatan dini yang akurat dan aplikatif. Penelitian ini juga mendukung Tujuan Pembangunan Berkelanjutan atau United Nations pada poin ke-4 tentang Pendidikan Berkualitas. Dengan implementasi yang tepat, sistem ini diharapkan membantu institusi pendidikan meningkatkan efektivitas dan keberhasilan pembelajaran daring secara berkelanjutan. (tas)