PERSONALISASI KONTEN PEMBELAJARAN BERDASARKAN PENDEKATAN TIPE BELAJAR TRIPLE-FACTOR DALAM STUDENT CENTERED E-LEARNING ENVIRONMENT Mira Suryani1, Zainal A. Hasibuan2, Harry Budi Santoso3 1,2,3
Fakultas Ilmu Komputer, Universitas Indnesia Fakultas Ilmu Komputer, Kampus Depok 16424 1
[email protected], 2
[email protected],
[email protected]
Abstrak Perbedaan karakteristik pembelajar yang kurang terakomodasi dengan baik pada pembelajaran konvensional merupakan sebuah permasalahan yang harus segera diatasi untuk memperbaiki performa pembelajar. Personalisasi pembelajaran dengan memanfaatkan e-learning memberikan keleluasan dalam memfasilitasi perbedaan karakteristik, kebutuhan, dan preferensi setiap pembelajar. Perbedaan tersebut dapat dimanfaatkan sebagai informasi untuk personalisasi. Dengan mengadopsi pendekatan triple-factor, dikembangkanlah algoritma yang mampu memetakan 36 tipe belajar triple-factor (gaya belajar, motivasi, dan kemampuan pengetahuan) pada konten pembelajaran yang sesuai dengan masing-masing karaketeristik, kebutuhan, dan preferensi pembelajar. Algoritma tersebut selanjutnya diimplementasikan ke dalam sebuah LMS Student Centered Elearning Environment (SCELE) yang dapat diakses oleh pembelajar. Dari hasil eksperimen dilakukan evaluasi dengan membandingkan performa pembelajar dari kelompok eksperimen (pembelajar yang menggunakan fitur personalisasi) dan kelompok kontrol (pembelajar yang tidak menggunakan fitur personalisasi). Perbandingan ini dilakukan untuk mengetahui sejauh mana pengoptimalan sistem yang dikembangkan dapat membantu pembelajar. Adapun hasil dari perbandingan dengan uji statistik diperoleh bahwa performa pembelajar yang menggunakan fitur personalisasi lebih baik dibandingkan dengan performa pembelajar yang tidak menggunakan fitur personalisasi. Kata kunci : personalisasi, e-learning, triple-factor, SCELE-PDE
1.
Pendahuluan Dalam kegiatan pembelajaran, pada dasarnya setiap pembelajar memiliki karakteristik, kebutuhan dan preferensi yang berbeda. Dari segi kecepatan dan kemampuan, terdapat pembelajar yang dengan cepat mampu menangkap dan mengolah informasi namun ada pula pembelajar yang lambat. Dari segi preferensi format materi pembelajaran, terdapat pembelajar yang menyukai materi berbentuk teks, audio, atau video. Dari segi kenyamanan pun, terdapat perbedaan, ada pembelajar yang nyaman dan berkonsentrasi belajar di siang hari, namun ada pula pembelajar yang lebih nyaman dan berkonsentrasi jika belajar di malam hari. Sayangnya, perbedaan pembelajar yang mendasar tersebut kurang dapat diakomodasi pada pembelajaran konvensional. Pada pembelajaran konvensional, pendidik memberikan perlakuan yang sama kepada pembelajar. Hal tersebut membuat pembelajar menjadi tidak nyaman, tertekan, dan tidak dapat mengeluarkan performa terbaiknya dalam belajar. Pada akhirnya terdapat pembelajar yang berhasil mencapai tujuan pembelajaran dengan mendapatkan nilai yang baik, namun ada juga pembelajar yang gagal dan harus mengulang. Disisi lain, terdapat fenomena mengenai tingkat penetrasi TIK yang tinggi baik di dunia
maupun di Indonesia. Hal ini dapat dilihat pada hasil survei yang dilakukan oleh ITU melalui Global ICT developments [1] yang menyatakan bahwa 96,2 % penduduk di dunia sudah menggunakan telepon selular dan 38,8% sudah berlangganan internet secara individu. Selain itu, data dari Indonesia sendiri menyatakan bahwa pada tahun 2013, terdapat 63 juta pengguna internet [2]. Tingginya pemanfaatan perangkat TIK dari tahun ke tahun ini mempengaruhi berbagai aspek kehidupan tak terkecuali pada bidang pendidikan. Pada bidang pendidikan, e-learning merupakan salah satu media atau aplikasi yang digunakan untuk menunjang pembelajaran. E-learning memungkinkan pembelajar melakukan proses pembelajaran dimana saja dan kapan saja sesuai dengan keleluasan yang diinginkan [3]. Kemungkinan tersebut menjadi suatu peluang yang dapat dimanfaatkan untuk mengumpulkan informasi mengenai perbedaan pembelajar. Oleh karena itu, untuk mengakomodasi perbedaan karakteristik, kebutuhan, dan preferensi pembelajar dibutuhkan suatu sistem yang dapat menangkap perbedaan tersebut sehingga dapat dijadikan pertimbangan untuk memberikan sebuah personalisasi pembelajaran. Sfenrianto dan Hasibuan mendefinisikan bahwa personalisasi pembelajaran
merupakan sebuah strategi yang digunakan untuk mengetahui kebutuhan peserta didik sehingga peserta didik dapat belajar secara efektif [4]. Di Indonesia, terdapat beberapa penelitian yang berkenaan dengan personalisasi e-learning [5,6]. Penelitian terkini mengenai personalisasi e-learning adalah munculnya framework triple-factor yang diusulkan oleh [6]. Berdasarkan framework tersebut, paper ini dikembangkan dengan tujuan untuk memberikan konten pembelajaran yang sesuai dengan 36 tipe belajar yang ada pada kombinasi triple-factor.
bagian kecil tersebut dapat digabung kembali secara utuh sesuai dengan kebutuhan pembelajaran. Dalam penelitian, learning object dapat diklasifikasikan sesuai dengan kebutuhan. Santoso mengklasifikasikan learning object berdasarkan kebutuhan pembelajar, yang terbagi ke dalam tiga level, yaitu: (1) level materi 1: berupa materi dalam format slide, (2) level materi 2: berupa slide ditambah dengan narasi dalam bentuk audio, video, atau animasi, (3) level materi 3: materi pengayaan yang disajikan dalam format Word, PDF, dan URL [5]. Sfenrianto, mengklasifikasikan learning object berdasarkan preferensinya. Learning object dibagi kedalam tiga kelompok, yaitu: (1) materi singkat (M) merupakan materi yang berisi poin-poin penting dalam sebuah bahasan materi, (2) materi penjelasan (P) berupa video, audio, dan animasi yang berisi penjelasan materi pembelajaran lebih rinci, dan (3) materi tambahan (T) [6].
2. Studi Literatur 2.1 E-learning dan Learning Management System (LMS) E-learning merupakan proses pembelajaran yang disampaikan melalui media teknologi komunikasi sehingga memungkinkan kebebasan berinteraksi bagi penggunanya tanpa terhalang batasan ruang dan waktu [3]. Secara lebih mendalam lagi, Moore, Deane, dan Gaylen menyampaikan bahwa e-learning merupakan sebuah media yang mampu mentransformasikan pengalaman belajar ke dalam pengetahuan [7]. E-learning memiliki beberapa karakteristik yang membedakan dengan pembelajaran konvensional. Santoso menyampaikan bahwa pada pembelajaran menggunakan e-learning tingkat selfregulated sangat tinggi dan memiliki paradigma student-centered sehingga dibutuhkan kreativitas dalam memotivasi pembelajar untuk terus menggunakan e-learning [5]. Selain itu, Du, Liu, dan Wei mengemukakan bahwa dengan e-learning, waktu, tempat, dan jumlah pembelajar bisa tidak tetap, dan akses ke sumber materi pembelajaran melimpah [8]. Sebuah e-learning akan berhasil diimplementasikan apabila enam faktor penunjangnya lengkap dan memiliki performa yang baik. Enam faktor tersebut adalah: pembelajar, instruktur, teknologi, course, desain instruksional, dan lingkungan [3]. Selain mempertimbangkan faktor, implementasi e-learning tersebut dapat ditunjang dengan fitur yang lebih banyak untuk mendukung pembelajaran seperti fitur administrasi, fitur interaksi seperti diskusi forum dan chat, serta fitur lainnya. E-learning yang telah diperkaya berbagai fitur yang ada tersebut dikenal sebagai learning management system (LMS).
2.3 Personalisasi Konten Pembelajaran Personalisasi pembelajaran merupakan strategi yang digunakan untuk mengetahui karakteristik pembelajar sehingga dapat belajar secara efektif [6]. Terdapat banyak pendekatan yang dapat dilakukan dalam personalisasi pembelajaran. Dari segi proses identifikasi karakteristik pembelajar, banyak peneliti menggunakan faktor yang berbeda seperti gaya belajar [5,6,11,12], motivasi [5,6,13], kemampuan pengetahuan [6,12,14], dan faktor lainnya. Dari segi teknik, terdapat beberapa pendekatan yang digunakan peneliti diantarnya dengan menggunakan data mining [12], semantik web [14], dan predefined rule [5,6]. Personalisasi pembelajaran dapat dilakukan dalam tiga bentuk. Pertama, personalisasi alur pembelajaran merupakan personalisasi berupa pemberian rekomendasi langkah-langkah pembelajaran yang sesuai dengan preferensi pembelajaran dalam mempelajari materi [11,15]. Kedua, personalisasi antarmuka media pembelajaran merupakan personalisasi yang lebih difokuskan pada perubahan tampilan dari media pembelajaran seperti jenis font, ukuran font, tata letak menu, warna dan gambar dari latar belakang [16]. Ketiga, personalisasi konten pembelajaran merupakan personalisasi berupa pemberian konten pembelajaran yang sesuai dengan kebutuhan dan preferensi pembelajar [5,6].
2.2 Learning Object Learning object merupakan materi pembelajaran dalam bentuk digital, berukuran kecil, dapat didistribusikan (share) maupun digunakan kembali (reusable) [9]. Learning object yang baik haruslah memiliki sifat granulariti yang baik [10] dimana learning object yang berukuran besar dapat dipecah menjadi menjadi bagian-bagian yang kecil tanpa kehilangan makna [10]. Kemudian bagian-
2.4 Framework Tipe Belajar Triple-Factor Triple-factor merupakan sebuah framework yang diusulkan oleh [4] untuk mengidentifikasi karakteristik pembelajar berdasarkan TripleCharacterictic Model (TCM) yaitu gaya belajar, motivasi dan kemampuan pengetahuan. Secara rinci framework personalisasi yang diusulkan terdiri dari 3 layer utama, yaitu (1) learning layer, (2) characteristic layer, dan (3) personalization layer.
Ilustrasi framework dapat dilihat pada Gambar G 1 berikut.
Tinggi
Log akses materi pembelajar > rata-rata rata akses kelompok terhadap materi
Faktor terakhir dari triple-factor untuk mengidentifkasi karakter pe pembelajar adalah kemampuan pengetahuan. Kemampuan pengetahuan ditentukan berdasarkan gabungan dari nilai kuis dan nilai tugas pembelajar. Adapun kategori kemampuan pengetahuan dibagi berdasarkan 4 interval nilai sebagai berikut ikut (lihat Tabel 3). Tabel 3. Kategori Kemampuan Pengetahuan pada Triple-Factor Triple Kategori Gagal Cukup Baik Sangat Baik
Gambar 1. Framework Triple-Factor Triple [17]. Pada learning layer,, pembelajar melakukan kegiatan pembelajaran. Semua aktivitas yang ada direkam ke dalam learning log kemudian dipelajari learning behavior pattern-nya.. Kemudian K learning behavior pattern dijadikan sebagai acuan untuk mengidentifikasi karakteristik pembelajar pembela yang terdiri dari gaya belajar, motivasi, dan kemampuan pengetahuan pada characterstic layer. layer Gaya belajar merupakan faktor pertama yang diidentifikasi berdasarkan perbandingan antara jumlah aktivitas seorang pembelajar dalam mengakses materi dengan rata-rata aktivitas pembelajar secara berkelompok yang dihitung pada tabel frekuensi akses materi sebagai batasan (threshold). Adapun kategorisasi gaya belajar menggunakan atura pada tabel berikut. Tabel 1. Kategori Gaya Belajar pada TripleFactor. Kategori Suka-suka Disiplin Rajin
Deskripsi Penentu Log akses materi pembelajar < rata-rata rata akses kelompok terhadap materi mater Log akses materi pembelajar = rata-rata akses kelompok terhadap materi mater Log akses materi pembelajar > rata-rata akses kelompok terhadap materi mater
Kemudian, faktor kedua dari triple-factor adalah motivasi. Motivasi otivasi pembelajar dapat ditentukan dengan membandingkan jumlah aktivitas pembelajar pada forum dengan rata-rata rata aktivitas kelompok pembelajar terhadap forum pada tabel frekuensi. Motivasi pembelajar terbagi ke dalam tiga kategori dengan penentuan sebagai berikut (lihat Tabel 2). Tabel 2. Kategori Motivasi pada Triple-Factor Kategori Rendah Sedang
Deskripsi Penentu Log aktivitas forum pembelajar < rata-rata rata aktivitas kelompok pada forum diskusi Log akses materi pembelajar = rata-rata rata akses kelompok terhadap materi
Deskripsi Penentu 0>nilai>60 61>nilai>80 81>nilai>90 91>nilai>100
Kombinasi dari triple-factor tersebut menghasilkan 36 tipe belajar. Selanjutnya kombinasi tipe belajar ini dijadikan informasi untuk menentukan konten pembelajaran yang sesuai pada personalization layer.. Adapun metode pada personalization layer untuk menentukan konten pembelajaran yang ng sesuai merupakan fokus pada pada penelitian ini. 3.
Menentukan Komponen Kebutuhan Sistem Dalam melakukan personalisasi konten pembelajaran, terdapat empat komponen yang diperlukan untuk mengembangkan dan menjalankan sistem secara keseluruhan. Komponen pertama adalah fitur umum e-learning yang dapat menangkap karakteristik pembelajar. Fitur umum yang digunakan yaitu fitur resources, forum, quiz, dan assignment. Komponen kedua adalah log pembelajaran yang dibagi kedalam dua jenis yaitu log akses ke materi pembelajaran dan log aktivitas pembelajar pada forum diskusi. Komponen ketiga adalah konten pembelajaran yang secara garis besar dibagi ke dalam dua jenis yaitu materi pembelajaran dan data diskusi dengan penjelasan pen sebagai berikut (lihat Tabel 4). Tabel 4. Konten Pembelajaran untuk Personalisasi Jenis Konten Materi singkat Materi penjelasan
Kode M P
Materi tambahan
T
Forum umum
F1
Posting mandiri
F2
Menjawab trigger/pemicu
F3
Deskripsi Materi dalam bentuk slide Materi dalam bentuk audio, video, dan animasi Materi berupa contoh, latihan, dan link referensi Forum yang menyediakan informasi umum mengenai course Kegiatan pembelajar melakukan posting terlebih dahulu atau memulai diskusi Forum yang berisi pertanyaan dari pendidik yang dapat mentrigger pembelajar untuk berpartisipasi
Komponen onen terakhir adalah komponen data evaluasi berupa nilai pembelajar yang digunakan untuk menentukan kemampuan akhir pembelajar. Setelah komponen kebutuhan sistem diidentifikasi, merancang dan mengimplementasikan algoritma algoritm merupakan langkah selanjutnya dari penelitian. 4. Rancangan dan Implementasi Algoritma Personalisasi Konten Pembelajaran berdasarkan Tipe Belajar Triple-Factor Pada tahapan ini, peneliti merancang algoritma personalisasi konten pembelajaran yang didasarkan pada tipe belajar triple-factor. Algoritma sistem personalisasi konten yang digunakan untuk memberikan konten pembelajaran yang sesuai karakteristik pembelajar secara garis g besar diilustrasikan pada Gambar 2 berikut ini.
Gambar 2. Rancangan Algoritma Personalisasi Konten Pembelajaran Berdasarkan Gambar ambar 2, dapat dilihat bahwa untuk mengetahui konten pembelajaran yang sesuai dengan karakteristik pembelajar, setiap tipe belajar ditinjau kembali faktor penyusunnya yaitu gaya belajar, motivasi, dan kemampuan pengetahuan. pengetahuan Pada faktor gaya belajar dihitung kembali jumlah akses pembelajar pada materi berdasarkan jenis materi yang ada. Pada faktor motivasi, dihitung jumlah aktivitas pembelajar terhadap masing-masing jenis forum. Pada faktor kemampuan pengetahuan, dilihat nilai yang dimiliki pembelajar termasuk ke dalam kategori kemampuan pengeatahuan yang mana. Hasil perhitungan dari ketiga faktor tersebut selanjutnya akann diproses masing-masing masing oleh tiga proses yang berbeda. Jumlah akses pembelajar terhadap masing-masing masing jenis materi pembelajaran akan menjadi input untuk proses penentuan level materi pembelajaran. Luaran dari proses ini adalah level materi yang sesuai dengan kebutuhan pembelajar. Adapun proses penentuan level materi pembelajaran diilustrasikan pada Gambar G 3 berikut.
Gambar 3. Proses Penentuan Level Materi Pembelajaran Pada proses penentuan level materi pembelajaran dilakukan perbandingan antara anta ratarata akses pembelajar terhadap masing-masing masing jenis materi yang tersedia. Kemudian K rata-rata yang diperoleh selanjutnya dirata-ratakan dirata kembali untuk memperoleh batasan (threshold threshold) untuk mencari jenis materi mana yang secara rata-rata rata merupakan preferensi paling tinggi. Selanjutnya dilakukan perbandingan antara rata-rata rata akses pembelajar terhadap masing-masing masing materi dengan batasan (threshold)) yang telah ditentukan. Apabila rata-rata rata akses pembelajar terhadap jenis materi tersebut lebih besar, maka jenis materi tersebut akan ditampilkan. Terdapat 3 level materi pembelajaran yang dapat ditampilkan yaitu: (1) level materi 1 yang terdiri dari pemberian materi singkat saja (M), (2) level materi 2 terdiri dari pemberian materi singkat disertai dengan materi penjelasan (M+P), dan (3) level materi 3 terdiri dari pemberian materi singkat, materi penjelasan, dan materi tambahan (M+P+T). Pada proses penentuan peningkatan motivasi pada aktivitas forum, jumlah aktivitas pembelajar terhadap masing-masing masing forum (F1, F2, dan F3) dijadikan sebagai input yang akan diproses. Adapun pemrosesan peningkatan an motivasi dapat dilihat pada Gambar 4 berikut.
Gambar 4. Proses Penentuan Peningkatan Motivasi pada Aktivitas Forum. Pada Gambar 4, dapat dilihat frekuensi akses masing-masing masing forum akan dibandingkan dengan rata-rata kelompok pembelajar terhadap masingmasing jenis forum yaitu Forum 1 (F1), Forum 2 (F2), dan Forum 3 (F3).. Apabila ketiga jenis forum tersebut sebut termasuk ke dalam kategori sedang atau rendah, maka aktivitas pada forum tersebut perlu ditingkatkan. Pada proses penentuan peningkatan motivasi terdapat 8 kemungkinan jenis peningkatan motivasi yang dapat diberikan antara lain: peningkatan terhadap F1 saja, F2 saja, F3 saja, F1 dan an F2, F1 dan F3, F2 dan F3, semua forum (F1, F2, dan F3), atau tidak ada rekomendasi yang berarti semua tingkat motivasi pada semua forum sudah tinggi.
Proses terakhir dari menentukan konten pembelajaran yang sesuai kebutuhan kebutuha pembelajar adalah penentuan next target kemampuan pengetahuan. Proses penentuan next target dapat dilihat pada Gambar 5 berikut.
Gambar 5. Proses Penentuan Next Target Kemampuan Pengetahuan. Pengetahuan Untuk menentukan next target kemampuan pengetahuan pembelajar sebelumnya harus diketahui posisi kategori KP terakhir berdasarkan nilai yang dimiliki. Setelah ketegori sebelumnya diketahui, diketahui maka sistem akan merekomendasikan next target KP satu tingkat diatas posisi sebelumnya. Sebagaii contoh, seorang pembelajar dengan tipe belajar tertentu setelah melalui ketiga proses tersebut akan menghasilkan konten pembelajaran yang sesuai dengan kebutuhan butuhan seperti ilustrasi pada Gambar 6 berikut.
Gambar 6. Pemetaan Sebuah Tipe Belajar dengan Konten Pembelajaran yang Sesuai Kebutuhan. Adapun hasil dari dari rancangan algoritma personalisasi konten pembelajaran yang dikembangkan diimplementasikan ke dalam sebuah learning management system (LMS) berbasis Moodle.. Hasil implementasi tersebut diberi nama Student Centered E-learning learning Environment – Personalisasi Dinamis E-learning learning (SCELE-PDE). Ilustrasi tampilan personalisasi konten pembelajaran untuk pembelajar dapat dilihat pada Gambar G 7 berikut.
Gambar 7. Antarmuka Personalisasi Konten Pembelajaran pada SCELE-PDE SCELE 5.
Eksperimen dan Hasil Sistem diujicobakan kepada 118 pembelajar yang menjadi peserta matakuliah Penulisan Ilmiah (PI) semester gasal tahun ajaran 2013/2014 di Fakultas Ilmu Komputer, Universitas Indonesia. Indonesia Uji
coba dilakukan selama satu semester. Dengan tujuan untuk mengetahui animo aktivitas pembelajaran dengan menggunakan fitur personalisasi dalam SCELE, maka peneliti membagi dua tahap ta pembelajaran, yaitu tahap (Minggu 1 hingga 7) sebagai tahapan identifikasi, dan Tahap 2 (Minggu 8 hingga 12)) sebagai tahap pemberian personalisasi. Meskipun pembelajaran dilakukan pada dua tahap, sistem personalisasi konten pembelajaran dapat digunakan pada minggu-minggu minggu awal pembelajaran. Pemberian personalisasi akan terus berubah apabila nilai pada ketiga faktor tersebut berubah. Pada uji coba diperoleh roleh pemetaan tipe belajar ke dalam materi pembelajaran yang sesuai dengan kebutuhan. Selain itu, diamati pula perubahan personalisasi setiap individu. Sebagai contoh dilakukan pengamatan terhadap dua pembelajar (lihat Tabel 5). Tabel 5. Pengamatan Personalisasi Per Konten Individu Pembelajar Minggu 1 – 7 N o
Minggu 8 - 12 Deskripsi Tipe Belajar
Personalisasi Konten
Deskripsi Tipe Belajar
Personalisasi Konten
1
TB1: GB: Suka-suka MTV: Rendah KP: Gagal
Level 3 (M+P+T) MTV: F1,F2,F3 Next KP: Cukup
TB2: GB: Suka-suka MTV: Rendah KP: Cukup
Level 1 (M) MTV: F1, F2, F3 Next KP: baik
2
TB2: GB: Suka-suka MTV: Rendah KP: Cukup
Level 1 (M) MTV: F1, F2, F3 Next KP: Baik
TB23: GB: Disiplin MTV: Tinggi KP: Baik
Level 3(M+P+T) MTV: F1,F2,F3 Next KP: sangat baik
Catatan:GB: :GB: Gaya Belajar, Kemampuan Pengetahuan.
MTV:
Motivasi,
KP:
Pada Tabel abel 5 dapat diamati bahwa terdapat pembelajar yang mengalami perubahan pada sebagian ian faktor yaitu level materi dan kemampuan pengetahuan, namun ada juga pembelajar yang mengalami perubahan pasa semua faktor sehingga merubah tipe belajar pembelajar yang cukup tinggi. Setelah uji coba dilaksanakan selanjutnya dilakukan evaluasi untuk mengetahui pengoptimalan pengoptimala dari sistem yang dikembangkan. Evaluasi dilakukan dilak dengan membandingkan performa pembelajar yang menggunakan fitur personalisasi dalam SCELE (kelompok eksperimen) ksperimen) yaitu pada matakuliah Penulisan Ilmiah (PI) 2013/2014 dengan performa pembelajar yang tidak menggunakan menggunaka fitur personalisasi SCELE (kelompok kontrol) yaitu pada mata kuliah PI dan Metodologi Penelitian dan Penulisan Ilmiah (MPPI MPPI) 2012/2013. Performa pembelajar dilihat dari nilai akhir yang diperoleh dari nilai ujian dan kuis. Untuk mengetahui signifikansi perbedaan nilai rata-rata kelompok pembelajar, mbelajar, dilakukan tes one-
way ANOVA dan uji lanjutan multi perbandingan dengan t-SCHEFFE. Hasilnya diperoleh, terdapat perbedaan signifikan antara rata-rata nilai akhir kelompok eksperimen dengan kelompok kontrol dengan nilai sig. sebesar 0,000 (p<0,05) dan perbedaan rata-rata nilai maksimal dapat mencapai 13,68. Dapat disimpulkan, bahwa performa pembelajar yang menggunakan fitur personalisasi dalam SCELE lebih baik daripada pembelajar yang tidak menggunakan fitur personalisasi.
[6]
[7]
[8]
6.
Kesimpulan dan Saran Personalisasi konten pembelajaran merupakan personalisasi dengan memberikan konten pembelajaran sesuai dengan karakteristik, preferensi, dan kebutuhan pembelajar. Terdapat 4 komponen yang dibutuhkan dalam personalisasi konten pembelajaran yaitu fitur umum e-learning, data log pembelajaran, konten pembelajaran, dan data evaluasi pembelajaran. Dengan memanfaatkan 36 tipe belajar triple-factor terbentuklah sebuah algoritma yang mampu memetakan tipe belajar ke dalam konten pembelajaran yang sesuai. Konten pembelajaran yang dimaksud terdiri dari 3 kemungkinan level materi pembelajaran, 8 kemungkinan aktivitas motivasi yang harus ditingkatkan, dan 4 kemungkinan next target kemampuan pengetahuan yang harus dicapai pembelajar. Dari hasil ekperimen kemudian dievaluasi dengan uji statistik menyatakan bahwa performa pembelajar yang menggunakan fitur personalisasi lebih baik dibandingkan dengan performa pembelajar yang tidak menggunakan fitur personalisasi. Rencana pengembangan lebih lanjut dari penelitian ini diantaranya: (1) disain dan implementasi otomatisasi rekomendasi konten pembelajaran, (2) peningkatan kualitas dan kuantitas dari konten pembelajaran yang diberikan. Daftar Pustaka: [1]
[2]
[3]
[4]
[5]
ITU, 2013, Global ICT Developments, International Telecommunication Union, Retrieved Desember 23, 2013, from: http://www.itu.int/en/ITUD/Statistics/Pages/stat/default.aspx APJII, 2013, Indonesia Internet Users, Asosiasi Penyelenggara Jasa Internet Indonesia, Retrieved Desember 23, 2013, from: http://www.apjii.or.id/v2/index.php/read/page/hala man-data/9/statistik.html P. C, Sun, et al, 2006, What Drives a Sucessful Elearning? An Empirical Investigation of The Critical Factors Influencing Learner Satisfaction, Computers & Education, Elsevier, doi:10.1016/j.compuedu.2006.11.007. pp. 1-20. Sfenrianto dan Hasibuan, Z. A, 2011, TripleCharacteristic Model (TCM) in E-Learning System. Proceedings of 4th International Conference on Computer Science and Information Technology. IEEE, Chengdu. Santoso, H. B., 2007, Pemodelan Personalisasi Pembelajaran Berdasarkan Aspek Gaya Belajar Pada Student Centered E-Learning Environment.
[9]
[10]
[11]
[12]
[13]
[14]
[15]
[16]
[17]
Tesis, Universitas Indonesia, Fakultas Ilmu Komputer, Depok. Sfenrianto, 2013, Pendekatan Tipe Belajar TripleFactor dalam E-learning Process sebagai Basis Rekomendasi dan Personalisasi Pembelajaran, Ujian Pra-promosi, Universitas Indonesia, Fakultas Ilmu Komputer, Depok. Moore, J. L., Deane C. D., dan Galyen K., 2010, ELearning, Online learning, and Distance Learning Environments: Are They The Same? Internet & Higher Education, Elsevier, Vol 14. pp.129-135. Du, H., Liu H., & Wei L., 2010, On the Characteristics and Application of Integrated Elearning. Proceedings of 2nd International Conference on e-Business and Information System Security, IEEE, Wuhan. pp.1-3. Ashley, K., Davis R., dan Pinsent E., 2008, Significant Properties of E-learning Objects, JISC Information Environment Committee. Noor, S. F., Yusof N. S., & Hashim Z. M., 2011, Creating Granular Learning Object Towards Reusability of Learning Object in E-learning Context, Proceedings of International Conference on Electrical Engineering and Informatics, IEEE, Bandung, Indonesia, pp. 1-5. Knauf, R., et al., 2010, Personalizing Learning Processes by Data Mining, Proceedings of 10th International Conference on Advanced Learning Technologies, IEEE, pp. 488-492. Banu, R. K. dan Ravanan, R., 2011, Analysis of Elearning in Data Mining - A Dreamed Vision for Empowering Rural Students in India. Proceedings of International Conference in Recent Trends in Information Technology, IEEE, MIT, Anna University, Cennai, pp. 1265-1269. Xie, K., Durrington V., dan Yen L., 2011, Relationship Between Students’ Motivation and Their Participation in Asynchronous Online Discussion, MERLOT Journal of Online Learning and Teaching, Vol. 7(1) March, pp.17-29. Jamuna, R.S., Ashok, M. S. & Palanivel, K., 2009, Adaptive Content for Personalized E-learning using Web Service and Semantic Web, Proceedings of International Conference on Intelligent Agent and Multi-Agent System, IEEE, Chennai, pp. 1-4. Jyothi, N., et al., 2012, A Recommender System Assisting Instructor in Building Learning Path for Personalized Learning System, Proceedings of Fourth International Conference on Technology for Education, IEEE, Hyderabad, pp. 228-230. Kolekar, S. V., Sanjeevi, S.G., & Bormane, D. S., 2010, Learning Style Recognition using Artificial Neural Network for Adaptive User Interface in ELearning, Proceedings of International Conference on Computational Intelligence and Computing Research, IEEE, Coimbatore, pp. 1-5. Suryani, M., & Hasibuan, Z. A., 2013, The Study of Dynamic Delivery Adaptive Learning Content in Elearning Personalization using Text Mining and Ontology Approach, Proceedings of International Conference on Advanced Computer Science and Information System, IEEE, Bali, pp. 1-7.
