Kembali ke Beranda

Metodologi Ilmiah

Arsitektur Kognitif EduStyle: Dari Kuesioner ke Personalisasi Berbasis Machine Learning.

Alur Pemrosesan Data

Kuesioner ILS

44 Pertanyaan Preferensi

Skor FSLSM

4 Dimensi Koordinat (-11 s.d +11)

K-Means Clustering

Unsupervised Learning (Pola Laten)

Personalisasi

Rekomendasi Habit & Penyesuaian Pedagogi

1. Landasan Teori: Felder-Silverman Learning Style Model (FSLSM)

FSLSM (Richard Felder & Linda Silverman, 1988) adalah alat ukur psikologi yang dirancang untuk memetakan kebiasaan dan gaya belajar mahasiswa. Tidak seperti tes kepribadian pada umumnya yang melabeli seseorang ke dalam satu "tipe" mutlak, FSLSM mengukur kecenderungan gaya belajar pada sebuah skala angka (dari -11 hingga +11), yang berarti gaya belajar seseorang bisa seimbang atau sangat condong ke satu sisi.

Pemrosesan (Active vs. Reflective)

Active (-): Belajar paling optimal dengan mempraktikkan langsung, mencoba-coba, dan berdiskusi. Mereka suka "belajar sambil melakukan".

Reflective (+): Belajar dengan cara merenungkan materi terlebih dahulu, menganalisis secara mendalam, dan memilih berpikir sendiri sebelum bertindak.

Persepsi (Sensing vs. Intuitive)

Sensing (-): Menyukai fakta nyata, penyelesaian masalah yang terstruktur, dan hal-hal yang praktis. Tidak suka materi yang terlalu teoritis atau penuh kejutan.

Intuitive (+): Menyukai teori dasar, inovasi, dan konsep abstrak. Cepat menangkap ide baru dan mudah bosan dengan tugas yang berulang-ulang.

Input (Visual vs. Verbal)

Visual (-): Menangkap informasi lebih mudah lewat pandangan mata, seperti gambar, diagram, grafik, dan demonstrasi.

Verbal (+): Menangkap informasi lebih mudah lewat penjelasan kata-kata, baik berupa tulisan maupun penjelasan lisan dari Dosen.

Pemahaman (Sequential vs. Global)

Sequential (-): Memahami materi secara berurutan, selangkah demi selangkah yang logis. Mereka belajar dengan cara yang terarah.

Global (+): Kadang belajar melompat-lompat, namun secara tiba-tiba bisa menyambungkan semua konsep dan melihat gambaran besarnya secara menyeluruh.

2. Mengapa Menggunakan K-Means Clustering?

Sistem konvensional yang menggunakan aturan baku (rule-based) biasanya sangat kaku dan bisa menghasilkan terlalu banyak kelompok (mencapai 16 kombinasi unik). Hal ini tentu sangat sulit untuk diterapkan oleh Dosen di dunia nyata, karena tidak mungkin mengajar dengan 16 cara berbeda di saat yang bersamaan.

EduStyle memanfaatkan algoritma K-Means Clustering—sebuah teknologi Kecerdasan Buatan (AI)—untuk mempelajari data kuesioner mahasiswa. K-Means bekerja dengan mengelompokkan mahasiswa berdasarkan kemiripan keempat aspek gaya belajar secara bersamaan. Sistem ini secara otomatis menemukan Pola Tersembunyi (kelompok alami) dari mahasiswa. Hasilnya, pembagian kelompok jauh lebih akurat karena benar-benar diambil dari data asli di kelas tersebut.

3. Manfaat Sistem EduStyle

Untuk Dosen & Pengajar

  • ✦
    Penyesuaian Gaya MengajarDosen bisa menyesuaikan materi berdasarkan tipe belajar mayoritas di kelas. Misalnya, jika kelas didominasi tipe Visual, dosen bisa memperbanyak presentasi dengan gambar, diagram, atau video praktik.
  • ✦
    Membantu Bimbingan MahasiswaMemberikan panduan bagi Dosen Pembimbing Akademik (PA) untuk mengetahui cara berkomunikasi yang paling pas dengan masing-masing mahasiswa saat membimbing tugas akhir atau diskusi.

Untuk Mahasiswa

  • ✦
    Pemahaman Diri Lebih BaikMeningkatkan kesadaran mahasiswa mengenai cara terbaik mereka dalam belajar, sekaligus mengenali kelemahan mereka saat memproses materi yang rumit.
  • ✦
    Personalisasi Kebiasaan BelajarMahasiswa mendapatkan saran kebiasaan harian (seperti membuat peta pikiran, belajar kelompok, atau teknik fokus) yang dihitung secara akurat sesuai tipe kelompok belajar mereka.