Mengoptimalkan Kurikulum Pendidikan Tinggi melalui Pemanfaatan Data Akademik

Mengoptimalkan Kurikulum Perguruan Tinggi melalui Pemanfaatan Data Akademik

Kemajuan teknologi informasi telah membawa perubahan signifikan dalam berbagai aspek kehidupan, termasuk di sektor perguruan tinggi. Salah satu inovasi terbaru yang menarik perhatian adalah pemanfaatan data event atau data acara pendidikan untuk menghasilkan rekomendasi akademis yang dapat membantu mahasiswa dalam perencanaan studi. Penelitian terbaru yang dilakukan oleh Gyunam Park, Lukas Liss, dan Wil M. P. van der Aalst (2024) yang berjudul "Learning Recommendations from Educational Event Data in Higher Education" mengusulkan penggunaan data ini untuk merancang rencana studi yang lebih efektif. Mereka menggunakan algoritma RuleFit, sebuah alat yang mampu memprediksi kinerja akademik berdasarkan data perilaku siswa, seperti nilai ujian dan urutan pengambilan mata kuliah.

Dalam penelitian tersebut, para penulis menganalisis data akademik dari 3.190 mahasiswa program sarjana ilmu komputer di Universitas RWTH Aachen, yang mencakup 78.529 upaya ujian selama periode 2000 hingga 2023. Hasil dari analisis ini kemudian diolah untuk memberikan rekomendasi yang disesuaikan dengan kondisi akademik individu. Rekomendasi ini tidak hanya membantu mahasiswa merencanakan urutan pengambilan mata kuliah, tetapi juga memberikan wawasan tentang waktu yang tepat untuk mengikuti ujian atau mengulang kursus tertentu.

Penelitian ini menarik karena tidak hanya melihat pada faktor tunggal seperti nilai akhir, tetapi juga memperhitungkan interaksi antar-mata kuliah dan dampaknya terhadap keberhasilan akademik. Hasil dari penelitian ini menunjukkan bahwa, dengan pemanfaatan data yang tepat, institusi pendidikan dapat membantu mahasiswa dalam membuat keputusan yang lebih baik terkait jalur akademik mereka, yang pada akhirnya dapat meningkatkan performa akademik dan mengurangi tingkat dropout.

***

Pemanfaatan data acara pendidikan dalam perencanaan akademik memberikan manfaat yang signifikan bagi mahasiswa dan institusi perguruan tinggi. Sebagai contoh, penelitian yang dilakukan oleh Park et al. (2024) menunjukkan bahwa analisis data perilaku akademik mahasiswa mampu menghasilkan rekomendasi yang lebih tepat sasaran. Dengan menggunakan algoritma RuleFit, mereka mampu memprediksi hasil akademis, seperti IPK, berdasarkan interaksi antara berbagai faktor, termasuk urutan mata kuliah, frekuensi pengulangan ujian, dan kredit yang diperoleh. Model prediksi ini terbukti akurat, dengan rata-rata kesalahan kuadrat (MSE) yang lebih rendah dibandingkan metode tradisional, yaitu di bawah angka 2 pada data semester ketiga (2024).

Keberhasilan pendekatan ini didukung oleh fakta bahwa 55 dari 73 mata kuliah yang dianalisis memiliki varians nilai lebih dari 1, yang menunjukkan adanya tantangan signifikan dalam performa akademik mahasiswa. Tantangan tersebut mencakup kursus-kursus dengan tingkat kesulitan tinggi, seperti Aljabar Linier, yang mencatat lebih dari 3.665 upaya ujian. Dengan demikian, rekomendasi yang dihasilkan dari data ini memberikan solusi praktis bagi mahasiswa dalam menyusun strategi pengambilan mata kuliah untuk memaksimalkan performa akademis.

Di sisi lain, pendekatan berbasis data ini juga membantu institusi pendidikan dalam menyusun kurikulum yang lebih adaptif terhadap kebutuhan mahasiswa. Sebagai contoh, penelitian ini mengungkap bahwa mahasiswa yang menyelesaikan kursus "SAP" sebelum semester ketiga dengan kredit lebih dari 77 memiliki peluang lebih besar untuk meraih IPK yang lebih baik. Ini menunjukkan bahwa kurikulum dapat disesuaikan dengan memberikan rekomendasi yang lebih personal, misalnya menyeimbangkan jumlah kredit yang diambil setiap semester, terutama di tahun-tahun awal studi.

Selain itu, penelitian ini menyoroti pentingnya integrasi data historis dengan algoritma canggih dalam menciptakan perencanaan akademik yang lebih efektif. Sebagai ilustrasi, data dari 3.051 jalur studi unik yang dianalisis dalam penelitian ini menunjukkan bahwa hampir setiap mahasiswa memiliki jalur akademik yang berbeda, dan ini membutuhkan pendekatan yang sangat personal dalam memberikan rekomendasi. Dengan menggabungkan teknik data mining dan analitik pendidikan, metode ini menawarkan pandangan yang lebih holistik terhadap performa akademik, bukan hanya berdasarkan nilai ujian, tetapi juga pada perilaku akademik yang lebih kompleks, seperti urutan pengambilan mata kuliah dan waktu penyelesaian studi.

***

Dengan pemanfaatan data acara pendidikan seperti yang diuraikan dalam penelitian Park et al. (2024), perguruan tinggi dapat bergerak menuju perencanaan akademik yang lebih cerdas dan personal. Data ini tidak hanya memberikan wawasan yang lebih dalam tentang bagaimana mahasiswa berinteraksi dengan kurikulum, tetapi juga membuka jalan bagi institusi pendidikan untuk mengembangkan strategi pembelajaran yang lebih adaptif dan responsif. Melalui analisis prediktif yang didukung algoritma RuleFit, institusi dapat memberikan panduan yang lebih baik bagi mahasiswa, terutama dalam pengambilan keputusan terkait urutan mata kuliah, waktu ujian, dan jumlah kredit yang ideal per semester.

Ke depan, potensi pemanfaatan data ini masih sangat luas. Dengan penyesuaian yang tepat, metode ini dapat diterapkan di berbagai disiplin ilmu dan institusi pendidikan lainnya, yang pada akhirnya akan meningkatkan keberhasilan akademik secara menyeluruh. Namun, untuk mencapai hal ini, penting bagi institusi untuk terus memperbarui dan memperkaya model analitik mereka agar tetap relevan dengan perubahan dalam dunia pendidikan yang dinamis. Data tidak hanya menjadi alat untuk menganalisis masa lalu, tetapi juga sebagai fondasi untuk merancang masa depan pendidikan yang lebih efektif dan inklusif.

Referensi

Park, G., Liss, L., & van der Aalst, W. M. P. (2024). Learning recommendations from educational event data in higher education. Journal of Intelligent Information Systems.