Data Mining dalam Pendidikan (EDM): Praktik Menguak Karakteristik Pembelajar Abad-21

(Tulisan ini adalah ulasan super singkat yang kiranya dapat membuka wawasan kita tentang EDM)

“Anda dapat memiliki data tanpa informasi, tetapi Anda tidak dapat memiliki informasi tanpa data.” —Daniel Keys Moran

Quote oleh Daniel Keys Moran menekankan bahwa data dan informasi memiliki hubungan yang erat. Data adalah fakta atau angka mentah yang tidak memiliki makna tanpa analisis atau konteks. Informasi, di sisi lain, adalah hasil dari pengolahan dan pengorganisasian data yang menambah makna dan membuatnya berguna. Dengan kata lain, Anda dapat memiliki data tanpa informasi, tetapi Anda tidak dapat memiliki informasi tanpa data sebagai dasarnya. Kutipan ini juga sangat relevan dalam konteks Educational Data Mining (EDM). EDM melibatkan pengumpulan dan analisis data pendidikan, seperti log activity file yang diimport dari system, hasil tes dan interaksi belajar, untuk menghasilkan informasi yang berguna. Data mentah tanpa analisis tidak memiliki makna, tetapi melalui EDM, data diolah menjadi wawasan yang dapat membantu pendidik meningkatkan strategi pembelajaran dan hasil pendidikan. Ini menunjukkan pentingnya mengubah data mentah menjadi informasi untuk kemajuan pendidikan.

Selain itu Educational Data Mining (EDM) juga tidak hanya sekadar tentang mengumpulkan dan menganalisis data, tetapi juga tentang merangkai puzzle kompleksitas pembelajaran. Salah satu aspek utama yang membuat EDM begitu berharga adalah kemampuannya untuk menggali lebih dalam dari sekadar informasi permukaan. Ini melibatkan pengumpulan data dari berbagai sumber, seperti platform pembelajaran digital, hasil tes, tugas, interaksi dengan instruktur, dan bahkan rekaman respon emosional siswa. Dalam konteks ini, penelitian EDM telah memberikan pandangan mendalam tentang bagaimana karakteristik pembelajaran siswa dapat dipahami dan dimanfaatkan. Sebagai contoh, penelitian oleh Romero dan Ventura (2010) mengungkapkan bahwa EDM tidak hanya memungkinkan untuk mengidentifikasi pola belajar siswa, tetapi juga dapat menggambarkan bagaimana pola-pola ini berubah seiring waktu. Dengan menggunakan teknik analisis data yang canggih, penelitian mereka menggambarkan evolusi preferensi belajar siswa dan pola interaksi dengan materi pembelajaran. Di samping itu, EDM memungkinkan pembangunan model prediktif yang kompleks untuk memproyeksikan perilaku belajar siswa di masa depan. 

Penelitian oleh Baker (2010) adalah contoh bagaimana model-model ini dapat digunakan untuk mendukung pengambilan keputusan pendidik. Melalui integrasi data historis dan teknik machine learning, model prediktif ini mampu mengidentifikasi risiko kesulitan belajar siswa, memberikan waktu bagi pendidik untuk merespons secara proaktif. Namun, salah satu aspek yang paling menarik dalam penelitian EDM adalah ketika data tersebut digunakan untuk memberikan wawasan mendalam tentang pencapaian siswa. Ini tidak hanya melibatkan analisis statistik yang cermat, tetapi juga interpretasi yang kompleks tentang apa yang data tersebut benar-benar gambarkan tentang pemahaman dan kemajuan siswa. Penelitian dalam bidang ini sering kali melibatkan pengembangan metode analisis baru dan inovatif untuk menghadapi tantangan yang muncul dari data yang kompleks dan beragam.

Selain itu, penelitian dalam bidang EDM semakin menyoroti pentingnya memahami aspek emosional siswa dalam proses pembelajaran. Ini mencakup pemantauan respon emosional siswa selama interaksi dengan materi pembelajaran, yang dapat memberikan wawasan berharga tentang tingkat keterlibatan siswa dan keefektifan instruksi. Dengan mempertimbangkan semua dimensi ini, EDM bukan hanya alat untuk memahami proses pembelajaran, tetapi juga untuk merancang pengalaman pembelajaran yang lebih efektif dan relevan bagi siswa. Ini membutuhkan pendekatan yang holistik, yang menggabungkan analisis data yang canggih dengan pemahaman yang mendalam tentang konteks pembelajaran dan kebutuhan siswa secara individual. Dengan demikian, EDM tidak hanya menjadi alat untuk meningkatkan prestasi siswa, tetapi juga untuk meningkatkan pengalaman pembelajaran secara keseluruhan.

Berikut ini langkah-langkah dalam proses EDM secara umum hingga menghasilkan data karakteristik siswa. Tentu, saya akan merinci beberapa program atau teknologi yang sering digunakan dalam setiap langkahlangkah EDM:

Photo by : Luis Gabriel Moreno Sandoval

1. Pengumpulan Data

Learning Management Systems (LMS) misalnya Platform seperti Moodle, Canvas, atau Blackboard digunakan untuk mengumpulkan data interaksi siswa dengan materi pembelajaran, tugas, dan ujian. Sistem Pemantauan Aktivitas Siswa dapat menggunakan beberapa aplikasi atau plugin pada platform pembelajaran digital memungkinkan pengumpulan data aktivitas siswa secara realtime, seperti waktu yang dihabiskan untuk menyelesaikan tugas atau berpartisipasi dalam forum diskusi. Selain itu Sensor Emosional dapat menggunakan teknologi seperti kamera atau perangkat wearable yang mampu memantau ekspresi wajah atau detak jantung siswa untuk mengidentifikasi respons emosional mereka terhadap materi pembelajaran.

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.

Kesimpulan 

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 : 

Lemay, D. J., Baek, C., & Doleck, T. (2021). Comparison of learning analytics and educational data mining: A topic modeling approach. Computers and Education: Artificial Intelligence, 2. https://doi.org/10.1016/j.caeai.2021.100016