Foundation Learning Analytics

Learning Analytics (LA) berguna mendukung pengambilan keputusan berbasis data di lingkungan pendidikan. Berikut adalah rangkuman komprehensif dan sumber belajar yang dapat Anda gunakan sebagai referensi.

---

1. Foundation: Memahami Perbedaan Fundamental

Seringkali istilah Learning Analytics (LA) dan Educational Data Mining (EDM) digunakan secara bergantian, namun keduanya memiliki fokus dan metodologi yang sedikit berbeda.

Perbandingan LA vs. EDM

Fitur	Learning Analytics (LA)	Educational Data Mining (EDM)
Fokus Utama	Memahami dan mengoptimalkan pembelajaran serta lingkungannya.	Menemukan pola baru dalam data pendidikan melalui teknik statistik/ML.
Tujuan	Memberdayakan pendidik dan siswa (Human-centered).	Mengembangkan model komputasi (System-centered).
Metode	Statistik, visualisasi, dan analisis sosial.	Klasifikasi, clustering, dan discovery with models.
Aplikasi	Dashboard untuk guru, intervensi dini siswa.	Automasi konten, penemuan struktur pengetahuan baru.

---

2. Empat Pilar Analitik dalam Pendidikan

Untuk mencapai tujuan pengambilan keputusan, Anda harus memahami hierarki analisis data berikut:

Getty Images

1. Descriptive Analytics (Apa yang terjadi?)

   • Contoh: Laporan rata-rata nilai ujian kelas atau tingkat penyelesaian modul di LMS.

   • Output: Laporan mingguan, grafik batang aktivitas siswa.

2. Diagnostic Analytics (Mengapa itu terjadi?)

   • Contoh: Menganalisis mengapa sekelompok siswa gagal dalam topik tertentu (apakah karena video materi tidak ditonton atau kuis terlalu sulit?).

   • Output: Analisis korelasi, drill-down data.

3. Predictive Analytics (Apa yang akan terjadi?)

   • Contoh: Menggunakan data historis untuk memprediksi siswa mana yang berisiko dropout atau gagal di akhir semester.

   • Output: Model regresi, skor risiko siswa.

4. Prescriptive Analytics (Bagaimana kita bisa mewujudkannya?)

   • Contoh: Sistem memberikan rekomendasi otomatis kepada guru untuk memberikan materi tambahan khusus bagi siswa yang diprediksi gagal.

   • Output: Rekomendasi tindakan nyata, sistem adaptif.

---

3. Materi Tambahan: Teknologi Pendidikan (EdTech)

Untuk memperkuat kompetensi di bidang teknologi pendidikan, materi berikut sangat krusial:

A. Arsitektur Data Pendidikan

Pahami bagaimana data mengalir dari interaksi siswa menuju visualisasi:

• LMS (Learning Management System): Sumber data utama (Canvas, Moodle, Google Classroom).

• xAPI (Experience API): Protokol untuk merekam pengalaman belajar di luar LMS (misal: membaca artikel, menonton YouTube, simulasi VR).

• LRS (Learning Record Store): Gudang penyimpanan khusus untuk data xAPI.

B. Adaptive Learning & AI in Education (AIEd)

Bagaimana analitik digunakan untuk menciptakan jalur pembelajaran personal:

• Intelligent Tutoring Systems (ITS): Sistem yang memberikan umpan balik instan layaknya tutor manusia.

• Personalized Learning Paths: Menyesuaikan tingkat kesulitan materi berdasarkan performa real-time siswa.

C. Etika dan Privasi Data

Dalam mengolah data akademik, aspek etika adalah prioritas:

• Data Governance: Siapa yang memiliki data siswa?

• Algorithmic Bias: Memastikan model prediksi tidak mendiskriminasi kelompok siswa tertentu.

• GDPR/UU Pelindungan Data Pribadi (PDP): Kepatuhan hukum dalam penyimpanan data.

---

4. Siklus Learning Analytics (Untuk Decision Making)

Agar data dapat menjadi keputusan yang berdampak, ikuti siklus berikut:

• Collect: Mengambil data dari log aktivitas, nilai, dan survei.

• Analyze: Mengolah data menggunakan tools (Excel, Python, R, atau Tableau).

• Visualize: Menyajikan data agar mudah dipahami oleh pengambil kebijakan (Kepala Sekolah, Dosen, atau Orang Tua).

• Act: Melakukan intervensi berdasarkan temuan data.

---

Sumber Belajar yang Direkomendasikan

• Buku: “Learning Analytics Goes to School” oleh Andrew Krumm dkk.

• Kursus Online:

  • Learning Analytics Specialization (Coursera - University of Texas Arlington).

  • Data Science for Education (EdX).

• Tools untuk Latihan:

  • Analisis: Python (Pandas/Seaborn) atau R (Tidyverse).

  • Visualisasi: Tableau, Power BI, atau Google Looker Studio.

  • Data: Cari dataset di Kaggle dengan keyword “Student Performance” atau “Open University Learning Analytics Dataset (OULAD)”.