Tren pembelajaran daring yang semakin masif dinilai belum sepenuhnya mampu menjamin keberhasilan akademik mahasiswa. Evaluasi yang hanya bertumpu pada nilai akhir kerap mengabaikan proses dan pola belajar. Menjawab tantangan tersebut, lulusan program doktor Departemen Teknik Elektro Institut Teknologi Sepuluh Nopember (ITS), Dr Bruri Trya Sartana SKom MM MKom, mengembangkan model sistem peringatan dini untuk mendeteksi risiko akademik dalam pembelajaran daring.
Bruri menjelaskan bahwa sistem pembelajaran berbasis Learning Management System (LMS) menyimpan jejak digital yang kaya data. Aktivitas akses materi, intensitas interaksi, hingga pola penyelesaian tugas dapat dianalisis untuk mengidentifikasi potensi kegagalan belajar sejak awal. “Evaluasi akhir yang hanya mengandalkan nilai kurang efektif dalam menggambarkan keberhasilan proses belajar mahasiswa,” ujarnya.
Menurut dosen Fakultas Teknologi Informasi Universitas Budi Luhur itu, risiko akademik bersifat multidimensional. Faktor penentu tidak hanya berasal dari capaian nilai, tetapi juga keterlibatan belajar, stabilitas performa asesmen, kecenderungan prokrastinasi, hingga variabel demografis mahasiswa. Seluruh faktor tersebut dimodelkan untuk memetakan tingkat kerentanan secara lebih komprehensif.
Dalam penelitiannya, Bruri menggunakan pendekatan machine learning non-linear untuk menangkap hubungan kompleks antarvariabel perilaku belajar dan risiko akademik. Dataset utama yang dianalisis adalah Open University Learning Analytics Dataset (OULAD), yang kemudian divalidasi menggunakan data LMS Moodle institusional guna memastikan relevansi implementasi di lingkungan pendidikan tinggi.
Model yang dikembangkan mengandalkan algoritma Categorical Boosting (CatBoost) dengan optimasi hiperparameter melalui framework Optuna. Untuk menjamin reliabilitas, evaluasi dilakukan menggunakan metode 5-fold stratified cross validation agar distribusi data tetap seimbang dan meminimalkan bias. Hasilnya, model CatBoost menunjukkan performa unggul dibandingkan model pembanding, ditinjau dari nilai Area Under Curve (AUC), akurasi, serta konsistensi hasil pengujian.
“Model ini mampu mendeteksi mahasiswa berisiko sebelum memasuki tahap evaluasi akhir,” kata Bruri. Berdasarkan temuan tersebut, ia merancang sistem peringatan dini dalam tiga tahap deteksi, yakni jangka pendek, menengah, dan panjang.
Pada tahap jangka pendek, sistem mengidentifikasi penurunan keterlibatan belajar, seperti keterlambatan pengumpulan tugas. Tahap menengah memantau stabilitas performa asesmen dan konsistensi akademik. Sementara tahap jangka panjang memproyeksikan potensi keterlambatan kelulusan berdasarkan pola performa dan perilaku belajar yang terdeteksi sejak awal semester.
Penelitian ini memperkuat urgensi integrasi data LMS dengan teknologi machine learning sebagai fondasi sistem monitoring akademik yang presisi. Selain mendukung inovasi digital pendidikan, temuan tersebut juga sejalan dengan agenda United Nations dalam Tujuan Pembangunan Berkelanjutan (SDG 4) tentang Pendidikan Berkualitas, melalui peningkatan efektivitas pembelajaran daring berbasis data. (tas)