2. Pembersihan dan Integrasi Data
Program seperti Microsoft Excel atau Google Sheets digunakan untuk membersihkan dan memformat data dari berbagai sumber sebelum diintegrasikan. Perangkat lunak seperti Apache Kafka atau Microsoft Azure Data Factory membantu dalam mengintegrasikan data dari berbagai sumber ke dalam format yang konsisten untuk analisis lebih lanjut.
3. Analisis Data
Statistical Software menggunakan program seperti R atau Python dengan paketpaket seperti pandas dan NumPy digunakan untuk analisis statistik deskriptif dan eksploratif. Data Mining Tools, Tools seperti RapidMiner atau WEKA digunakan untuk mengaplikasikan teknik data mining seperti clustering atau association rule mining. Machine Learning Libraries seperti scikitlearn untuk Python atau MLlib untuk Apache Spark digunakan untuk membangun dan mengevaluasi model machine learning untuk analisis prediktif.
4. Pengembangan Model Prediktif
Python Libraries seperti TensorFlow, PyTorch, atau Keras digunakan untuk membangun model neural networks dan deep learning untuk analisis prediktif yang lebih kompleks. Platform Cloud seperti Google Cloud Platform atau Microsoft Azure menyediakan infrastruktur dan alat untuk pengembangan dan deployment model machine learning dalam skala besar.
5. Interpretasi dan Tindak Lanjut
Data Visualization Tools seperti Tableau, Power BI, atau matplotlib dan seaborn untuk Python digunakan untuk membuat visualisasi data yang informatif dan mudah dimengerti. Decision Support Systems seperti Apache Spark atau Apache Hadoop digunakan untuk menerapkan sistem pendukung keputusan yang memanfaatkan hasil analisis data untuk memberikan rekomendasi kepada pendidik. Communication Platforms seperti Slack atau Microsoft Teams digunakan untuk berbagi wawasan dan mengkoordinasikan tindakan lanjut antara anggota tim yang terlibat dalam analisis EDM.
KesimpulanÂ
Melalui Educational Data Mining (EDM) dan Learning Analytics (LA), pendidik dapat memperoleh wawasan yang mendalam tentang berbagai karakteristik pembelajar. Analisis data dari platform pembelajaran digital, hasil tes, tugas, dan interaksi siswa memungkinkan untuk mengidentifikasi gaya belajar preferensial siswa, kemajuan akademis mereka, tingkat keterlibatan dan motivasi dalam pembelajaran, serta respon emosional selama proses belajar.  Selain itu juga pendidik dapat tahu, kapan siswa belajar, dimana dan  berapa lama mereka belajar. Pola-pola belajar menggunakan mobile atau gadget juga akan dengan mudah diketahui, misalnya ketike mereka membuka LMS dan kemudian mendapat penugasan media apa yang mereka pakai sebagai alat bantu, apakah itu AI (chatGPT) youtube dll. Dengan memanfaatkan pemahaman yang mendalam tentang karakteristik pembelajar ini, pendidik dapat merancang pengalaman pembelajaran yang lebih adaptif, responsif, dan efektif, sehingga meningkatkan kesuksesan siswa dalam mencapai tujuan pembelajaran. Pendidik dengan pengetahuan yang memadai tentang karakteristik pebelajar/siswa dapat merancang strategi pembelajaran yang lebih adaptif dan responsif serta tepat sasaran. Dengan demikian, EDM tidak hanya menjadi alat untuk meningkatkan prestasi siswa, tetapi juga untuk meningkatkan pengalaman pembelajaran secara keseluruhan.
Rekomendasi bacaan terkait EDM :Â
