189 B. Personalisasi Pembelajaran: Menjelaskan mengapa personalisasi pembelajaran menjadi penting dalam mencapai hasil pembelajaran yang optimal. Personalisasi pembelajaran menjadi penting dalam mencapai hasil pembelajaran yang optimal karena setiap individu memiliki kebutuhan, gaya belajar, dan tingkat kemampuan yang berbeda-beda. Dengan mempersonalisasi pengalaman pembelajaran, pendidik dapat mengakomodasi perbedaan ini dan menyediakan pendekatan pembelajaran yang sesuai dengan karakteristik masingmasing siswa. Hal ini memungkinkan siswa untuk terlibat lebih aktif dalam proses pembelajaran, karena materi dan metode pembelajaran disesuaikan dengan minat dan kebutuhan mereka. Personalisasi pembelajaran juga memungkinkan siswa untuk merasa lebih termotivasi dan percaya diri, karena mereka merasa diakui sebagai individu dan mendapatkan dukungan yang sesuai dengan kebutuhan mereka. Dengan demikian, personalisasi pembelajaran tidak hanya membantu meningkatkan pemahaman dan kinerja siswa, tetapi juga menciptakan lingkungan pembelajaran yang inklusif, responsif, dan berorientasi pada perkembangan pribadi setiap siswa. Personalisasi pembelajaran dianggap penting dalam mencapai hasil pembelajaran yang optimal oleh banyak ahli pendidikan. Dr. Carol Ann Tomlinson, seorang pakar dalam bidang diferensiasi dan pembelajaran yang responsif, menekankan bahwa setiap siswa memiliki
190 kebutuhan, minat, dan gaya belajar yang unik. Dengan menerapkan pendekatan personalisasi, pendidik dapat memastikan bahwa materi pembelajaran disesuaikan dengan kebutuhan individu setiap siswa, sehingga meningkatkan keterlibatan dan pemahaman mereka. Dr. Howard Gardner, yang dikenal dengan teori kecerdasan majemuknya, menyoroti pentingnya pengakuan akan keberagaman dalam kecerdasan dan cara belajar. Ia berpendapat bahwa personalisasi pembelajaran memungkinkan pengembangan potensi siswa secara maksimal dengan mengakomodasi berbagai kecerdasan dan gaya belajar yang berbeda. Selain itu, Profesor Sugata Mitra, pendiri konsep "Hole in the Wall" dan pendukung pendekatan belajar mandiri, percaya bahwa personalisasi pembelajaran memungkinkan siswa untuk mengambil kendali atas proses pembelajaran mereka sendiri, memperkuat motivasi intrinsik dan meningkatkan pemahaman konsep. Dalam keseluruhan, pandangan para ahli ini menunjukkan bahwa personalisasi pembelajaran memberikan kesempatan untuk memberdayakan siswa secara individual, menciptakan lingkungan pembelajaran yang inklusif, dan meningkatkan hasil pembelajaran secara keseluruhan. C. Pengumpulan dan Persiapan Data 1. Sumber Data yang Relevan Untuk melakukan personalisasi pembelajaran, penting untuk mengidentifikasi sumber data yang relevan yang dapat memberikan wawasan yang mendalam tentang kebutuhan dan karakteristik
191 individu siswa. Beberapa sumber data yang relevan termasuk catatan aktivitas siswa, hasil tes dan tanggapan siswa. Catatan aktivitas siswa dapat mencakup informasi tentang kehadiran, partisipasi dalam kelas, dan interaksi dengan materi pembelajaran. Data ini dapat memberikan pemahaman tentang tingkat keterlibatan siswa dalam proses pembelajaran. Selain itu, hasil tes, baik formatif maupun sumatif, memberikan gambaran tentang pemahaman siswa terhadap materi pelajaran. Hasil tes ini dapat digunakan untuk menilai tingkat pemahaman siswa dan mengidentifikasi area yang memerlukan perhatian lebih lanjut. Selain itu, tanggapan siswa, baik melalui survei atau refleksi, memberikan wawasan tentang preferensi belajar, minat dan kebutuhan siswa. Data ini dapat digunakan untuk menyesuaikan konten dan pendekatan pembelajaran agar sesuai dengan preferensi dan kebutuhan siswa secara individual. Dengan menggabungkan informasi dari berbagai sumber data ini, pendidik dapat mengembangkan strategi personalisasi pembelajaran yang efektif untuk memenuhi kebutuhan unik setiap siswa. Para ahli pendidikan telah menyoroti pentingnya identifikasi dan penggunaan sumber data yang relevan untuk personalisasi pembelajaran. Dr. John Hattie, seorang peneliti terkemuka dalam bidang pendidikan, menegaskan bahwa penggunaan data pembelajaran dapat membantu guru mengidentifikasi kebutuhan dan kinerja siswa secara individual. Dalam hal ini, catatan aktivitas siswa, seperti kehadiran,
192 partisipasi, dan interaksi dengan materi, dianggap penting karena memberikan gambaran tentang keterlibatan siswa dalam proses pembelajaran. Selain itu, Dr. Dylan Wiliam, seorang ahli dalam bidang penilaian formatif, menggarisbawahi pentingnya hasil tes dalam mengukur pemahaman siswa. Hasil tes, baik formatif maupun sumatif, dapat memberikan informasi yang berharga tentang pemahaman siswa terhadap materi pembelajaran. Di sisi lain, Dr. Carol Dweck, yang terkenal dengan teori "mindset", menekankan pentingnya mendengarkan tanggapan siswa untuk memahami preferensi belajar dan kebutuhan mereka. Tanggapan siswa, baik melalui survei atau refleksi, dapat memberikan wawasan yang berharga tentang bagaimana setiap siswa belajar dan berinteraksi dengan materi. Dengan menggabungkan informasi dari sumber data ini, pendidik dapat merancang pengalaman pembelajaran yang lebih sesuai dan efektif, memungkinkan personalisasi pembelajaran yang lebih baik untuk setiap siswa. Dalam bab ini, kita akan mengeksplorasi lebih jauh tentang bagaimana pendidik dapat mengidentifikasi, mengumpulkan dan menerapkan data ini untuk meningkatkan hasil pembelajaran secara individual. Contoh dalam pembelajaran mengunakan data mining a. Catatan Aktivitas Siswa: Dengan menggunakan data mining, pendidik dapat menganalisis catatan aktivitas siswa, seperti log kehadiran, partisipasi dalam diskusi online, dan interaksi dengan materi
193 pembelajaran melalui platform digital. Misalnya, dengan menganalisis pola kehadiran siswa dan tingkat keterlibatan dalam diskusi online, pendidik dapat mengidentifikasi siswa yang mungkin membutuhkan bantuan tambahan atau pendekatan pembelajaran yang berbeda. b. Hasil Tes: Data mining dapat digunakan untuk menganalisis hasil tes siswa, baik yang bersifat formatif maupun sumatif. Algoritma data mining dapat mengidentifikasi pola dalam pemahaman siswa terhadap berbagai konsep atau topik pembelajaran. Dengan demikian, pendidik dapat mengidentifikasi area yang memerlukan perhatian lebih lanjut atau menyusun rencana pembelajaran yang disesuaikan berdasarkan tingkat pemahaman individu siswa. c. Tanggapan Siswa: Dengan menggunakan teknik data mining untuk menganalisis tanggapan siswa, seperti hasil survei kepuasan siswa atau analisis sentimen dari tanggapan siswa dalam forum diskusi online, pendidik dapat memahami preferensi belajar, minat, dan kebutuhan siswa secara lebih mendalam. Ini memungkinkan pendidik untuk menyesuaikan konten pembelajaran dan pendekatan instruksional agar lebih sesuai dengan kebutuhan individu siswa. Dengan memanfaatkan data mining untuk menganalisis sumber-sumber data tersebut, pendidik dapat mengidentifikasi pola dan tren yang relevan untuk masing-masing siswa secara lebih efisien dan
194 akurat. Ini memungkinkan personalisasi pembelajaran yang lebih efektif dan menyeluruh, memastikan bahwa setiap siswa mendapatkan pengalaman pembelajaran yang sesuai dengan kebutuhan dan karakteristiknya. 2. Preprocessing Data Tahapan preprocessing data merupakan langkah awal dalam proses analisis data yang melibatkan pembersihan, integrasi, dan transformasi data untuk mempersiapkannya sebelum dilakukan analisis lebih lanjut. Berikut adalah tahapan secara beserta contohnya: a. Pembersihan Data: Deskripsi: Tahap ini melibatkan identifikasi dan penanganan data yang tidak lengkap, inkonsisten, atau tidak relevan. Contoh: Menghapus baris data yang memiliki nilai yang hilang atau tidak lengkap, mengatasi nilai yang hilang dengan teknik imputasi, atau menghapus data duplikat. b. Integrasi Data: Deskripsi: Tahap ini melibatkan penggabungan data dari berbagai sumber yang berbeda menjadi satu set data yang lengkap dan terintegrasi. Contoh: Menggabungkan data dari beberapa file atau database yang berbeda menjadi satu dataset tunggal, atau menggabungkan data yang diperoleh dari survei yang dilakukan pada waktu yang berbeda.
195 c. Transformasi Data: Deskripsi: Tahap ini melibatkan transformasi atau penyesuaian data untuk memastikan bahwa data siap untuk digunakan dalam analisis selanjutnya. Contoh: Normalisasi data numerik ke dalam rentang tertentu (misalnya, 0 hingga 1), pengkodean kategorikal menjadi variabel biner menggunakan teknik one-hot encoding, atau mengonversi format tanggal dan waktu ke format standar yang dapat diolah lebih lanjut. D. Analisis Data untuk Personalisasi Pembelajaran 1. Segmentasi Siswa Segmentasi siswa adalah proses pengelompokan siswa ke dalam kelompok-kelompok yang memiliki karakteristik pembelajaran yang serupa menggunakan teknik data mining. Dalam konteks ini, teknik data mining digunakan untuk menganalisis berbagai atribut atau variabel pembelajaran dari setiap siswa, seperti hasil tes, preferensi belajar, tingkat keterlibatan, dan sebagainya. Tujuan utama dari segmentasi siswa adalah untuk mengidentifikasi pola atau tren yang mungkin tidak terlihat secara langsung, tetapi dapat ditemukan melalui analisis data yang cermat. Misalnya, dengan menggunakan teknik clustering, data mining dapat mengelompokkan siswa
196 berdasarkan kesamaan dalam gaya belajar, seperti visual, auditori, atau kinestetik. Hasilnya, kita dapat memiliki kelompok siswa yang lebih cenderung memahami materi jika diajarkan melalui pendekatan visual, sementara kelompok lain mungkin lebih baik dengan pendekatan auditori atau kinestetik. Segmentasi siswa juga dapat membantu dalam mengidentifikasi siswa yang membutuhkan bantuan tambahan atau pendekatan pembelajaran yang berbeda untuk mencapai hasil pembelajaran yang optimal. Dengan memahami karakteristik dan kebutuhan pembelajaran dari setiap kelompok siswa, pendidik dapat merancang strategi pembelajaran yang lebih efektif dan disesuaikan, meningkatkan keterlibatan siswa, dan memastikan bahwa setiap siswa mendapatkan pengalaman pembelajaran yang sesuai dengan kebutuhan mereka. Segmentasi siswa menggunakan teknik data mining membuka peluang untuk personalisasi pembelajaran yang lebih baik dan meningkatkan efektivitas dalam mencapai tujuan pembelajaran. 2. Pola Pembelajaran Menganalisis pola belajar siswa adalah proses penggunaan teknik data mining untuk memeriksa dan mengidentifikasi pola atau tren dalam perilaku pembelajaran siswa. Tujuannya adalah untuk memahami preferensi topik, gaya belajar, dan tingkat keterampilan siswa secara lebih mendalam. Preferensi Topik: Dengan menganalisis pola belajar siswa, kita dapat mengidentifikasi topik atau
197 materi yang paling diminati atau dianggap menarik oleh siswa. Informasi ini dapat diperoleh dari data seperti tingkat partisipasi, tanggapan siswa terhadap materi tertentu, atau hasil tes. Dengan memahami preferensi topik siswa, pendidik dapat menyesuaikan kurikulum atau materi pembelajaran untuk membuatnya lebih menarik dan relevan bagi siswa. Gaya Belajar: Analisis pola belajar juga dapat membantu dalam mengidentifikasi gaya belajar yang paling efektif untuk setiap siswa, seperti gaya belajar visual, auditori, atau kinestetik. Dengan memahami gaya belajar siswa, pendidik dapat menyesuaikan metode pengajaran dan materi pembelajaran untuk lebih sesuai dengan preferensi belajar individu siswa, sehingga meningkatkan pemahaman dan retensi materi. Tingkat Keterampilan: Melalui analisis pola belajar, kita juga dapat mengevaluasi tingkat keterampilan siswa dalam berbagai konsep atau topik pembelajaran. Data seperti hasil tes atau kinerja dalam tugas-tugas kelas dapat digunakan untuk mengidentifikasi siswa yang memiliki tingkat keterampilan yang tinggi, sedang, atau rendah dalam suatu topik tertentu. Informasi ini dapat membantu pendidik dalam merancang pembelajaran yang disesuaikan dengan tingkat keterampilan siswa, baik dengan menyediakan tantangan tambahan bagi siswa yang lebih mahir maupun memberikan bantuan tambahan bagi siswa yang membutuhkannya.
198 Dengan menganalisis pola belajar siswa menggunakan teknik data mining, pendidik dapat memperoleh wawasan yang lebih mendalam tentang preferensi, gaya belajar, dan tingkat keterampilan siswa, yang pada gilirannya dapat digunakan untuk merancang pengalaman pembelajaran yang lebih sesuai dan efektif. 3. Prediksi Kinerja Memanfaatkan data mining untuk memprediksi kemajuan dan pencapaian siswa di masa depan adalah proses menggunakan teknik analisis data yang canggih untuk membuat perkiraan atau prediksi tentang bagaimana siswa akan berkembang dalam hal pemahaman materi, pencapaian akademis, atau prestasi belajar lainnya di masa mendatang. Dalam konteks ini, data mining digunakan untuk menganalisis berbagai faktor atau variabel yang dapat memengaruhi kemajuan siswa, seperti hasil tes sebelumnya, catatan aktivitas pembelajaran, tanggapan siswa terhadap materi, dan sebagainya. Dengan menganalisis pola dan tren dalam data ini, algoritma data mining dapat mengidentifikasi hubungan yang mungkin tersembunyi antara variabelvariabel tersebut dan kemajuan siswa di masa mendatang. Sebagai contoh, dengan menggunakan teknik machine learning, data mining dapat digunakan untuk membangun model prediktif yang dapat memprediksi kemungkinan pencapaian siswa berdasarkan sejumlah faktor, seperti kinerja sebelumnya, tingkat
199 partisipasi, atau jenis pendekatan pembelajaran yang paling efektif bagi siswa tersebut. Model ini kemudian dapat digunakan untuk memberikan perkiraan tentang bagaimana siswa akan berkembang dalam hal pencapaian akademis di masa depan. Dengan memanfaatkan data mining untuk memprediksi kemajuan dan pencapaian siswa di masa depan, pendidik dapat mengidentifikasi siswa yang mungkin memerlukan bantuan tambahan atau pendekatan pembelajaran yang berbeda, serta merancang strategi pembelajaran yang lebih efektif dan disesuaikan dengan kebutuhan individu siswa. Ini dapat membantu meningkatkan hasil pembelajaran dan memastikan bahwa setiap siswa mendapatkan dukungan yang sesuai dengan potensi mereka E. Personalisasi Pembelajaran Berbasis Data 1. Konten Pembelajaran yang Disesuaikan Menyesuaikan konten pembelajaran, tugas, dan aktivitas berdasarkan profil siswa yang diidentifikasi adalah proses mengadaptasi materi pembelajaran, tugas dan kegiatan pembelajaran lainnya sesuai dengan karakteristik, kebutuhan, dan preferensi belajar masing-masing siswa. Hal ini dilakukan setelah melakukan identifikasi dan analisis terhadap profil pembelajaran siswa menggunakan data mining atau metode lainnya.
200 Sebagai contoh konkret, misalkan hasil analisis data menunjukkan bahwa sekelompok siswa tertentu memiliki preferensi belajar yang berbeda-beda. Beberapa siswa lebih memahami materi ketika diajarkan dengan metode visual, sementara yang lain lebih responsif terhadap pendekatan auditori atau kinestetik. Dalam hal ini, pendidik dapat menyesuaikan konten pembelajaran dengan menyediakan berbagai sumber belajar, seperti video pembelajaran, rekaman audio, atau aktivitas praktik langsung, sesuai dengan preferensi belajar masing-masing siswa. Selain itu, pendidik juga dapat menyesuaikan tugas dan aktivitas pembelajaran berdasarkan tingkat keterampilan atau pemahaman siswa. Misalnya, jika analisis data menunjukkan bahwa sebagian siswa memiliki tingkat pemahaman yang lebih rendah dalam suatu topik, pendidik dapat menyediakan tugas tambahan atau aktivitas bimbingan untuk membantu mereka mengejar ketertinggalan dan memahami materi dengan lebih baik. Selanjutnya, jika profil siswa menunjukkan bahwa sebagian siswa lebih termotivasi oleh proyek-proyek kolaboratif daripada tugas individual, pendidik dapat merancang kegiatan pembelajaran yang mendorong kerja tim dan kolaborasi antar siswa dalam menyelesaikan proyek-proyek tertentu. Dengan menyesuaikan konten pembelajaran, tugas, dan aktivitas berdasarkan profil siswa yang diidentifikasi, pendidik dapat menciptakan pengalaman pembelajaran yang lebih relevan, menarik dan
201 efektif bagi setiap siswa. Hal ini dapat membantu meningkatkan keterlibatan, pemahaman dan pencapaian siswa secara keseluruhan. 2. Pendekatan Pembelajaran yang Fleksibel Menerapkan pendekatan pembelajaran yang fleksibel, seperti tutor AI atau panduan belajar otomatis, berdasarkan hasil analisis data adalah proses menggunakan teknologi dan analisis data untuk menyediakan pembelajaran yang disesuaikan secara individual bagi setiap siswa. Pendekatan ini memanfaatkan kecerdasan buatan (AI) dan algoritma data mining untuk mengidentifikasi kebutuhan, preferensi, dan tingkat pemahaman siswa, dan kemudian memberikan panduan atau bantuan pembelajaran yang sesuai. Sebagai contoh konkret, pertimbangkan penggunaan tutor AI dalam pembelajaran bahasa. Sistem tutor AI dapat menganalisis data dari hasil tes bahasa siswa, tanggapan siswa terhadap latihanlatihan bahasa tertentu, dan kinerja siswa dalam latihan-latihan tersebut. Berdasarkan analisis data ini, tutor AI dapat menyesuaikan rencana pembelajaran untuk setiap siswa secara individual. Misalnya, jika seorang siswa mengalami kesulitan dalam memahami aturan tata bahasa tertentu, tutor AI dapat menyediakan latihan tambahan atau menjelaskan kembali konsep tersebut dengan cara yang lebih mudah dimengerti. Selain itu, pendekatan pembelajaran yang fleksibel juga dapat mencakup penggunaan panduan
202 belajar otomatis dalam pembelajaran daring. Panduan belajar otomatis dapat menyediakan rekomendasi materi pembelajaran tambahan, sumber-sumber belajar yang relevan, atau latihan-latihan yang disesuaikan berdasarkan tingkat pemahaman dan preferensi belajar siswa. Misalnya, jika seorang siswa menunjukkan minat yang tinggi dalam topik tertentu, panduan belajar otomatis dapat menyarankan bahan bacaan tambahan atau video pembelajaran yang berkaitan dengan topik tersebut. Dengan menerapkan pendekatan pembelajaran yang fleksibel berdasarkan hasil analisis data, pendidik dapat memberikan pengalaman pembelajaran yang lebih adaptif, responsif, dan sesuai dengan kebutuhan individual siswa. Hal ini dapat meningkatkan efektivitas pembelajaran dan membantu siswa mencapai potensi akademisnya secara maksimal. F. Personalisasi Pembelajaran: Menjelaskan mengapa personalisasi pembelajaran menjadi penting dalam mencapai hasil pembelajaran yang optimal. Personalisasi pembelajaran menjadi penting dalam mencapai hasil pembelajaran yang optimal karena setiap siswa memiliki kebutuhan, preferensi, dan gaya belajar yang unik. Beberapa alasan mengapa personalisasi pembelajaran penting:
203 1. Memaksimalkan Potensi Siswa: Setiap siswa memiliki kekuatan dan kelemahan yang berbeda. Dengan personalisasi pembelajaran, pendidik dapat mengidentifikasi kekuatan siswa dan memberikan tantangan yang sesuai, serta mengidentifikasi kelemahan dan memberikan bantuan tambahan atau pembelajaran remedial yang diperlukan. 2. Meningkatkan Keterlibatan Siswa: Siswa cenderung lebih terlibat dalam pembelajaran ketika materi dan metode pembelajaran disesuaikan dengan minat dan kebutuhan mereka. Dengan personalisasi pembelajaran, siswa merasa dihargai dan diperhatikan, yang dapat meningkatkan motivasi dan keterlibatan mereka dalam proses pembelajaran. 3. Memfasilitasi Pembelajaran Berbasis Kompetensi: Personalisasi pembelajaran memungkinkan pendidik untuk memfasilitasi pembelajaran berbasis kompetensi, di mana setiap siswa diberi kesempatan untuk maju pada tingkat yang sesuai dengan kemampuan mereka. Ini membantu mencegah kesenjangan pembelajaran dan memastikan bahwa setiap siswa mencapai standar yang ditetapkan. 4. Mengakomodasi Gaya Belajar yang Berbeda: Setiap siswa memiliki gaya belajar yang berbeda, seperti visual, auditori, atau kinestetik. Dengan personalisasi pembelajaran, pendidik dapat menyesuaikan metode pengajaran dan materi
204 pembelajaran untuk lebih sesuai dengan preferensi belajar individu siswa, sehingga meningkatkan pemahaman dan retensi materi. Contoh konkret dari pentingnya personalisasi pembelajaran bisa dilihat dalam penggunaan teknologi pembelajaran adaptif. Misalnya, platform pembelajaran daring dapat menggunakan algoritma pembelajaran mesin untuk menyesuaikan tingkat kesulitan dan jenis konten pembelajaran berdasarkan kemajuan dan kebutuhan siswa secara individu. Dengan demikian, setiap siswa mendapatkan pengalaman pembelajaran yang disesuaikan dan optimal sesuai dengan kemampuan mereka. G. Evaluasi dan Umpan Balik 1. Pengukuran Efektivitas Menilai efektivitas personalisasi pembelajaran berdasarkan kemajuan siswa, keterlibatan, dan kepuasan adalah suatu pendekatan yang holistik dalam mengevaluasi efektivitas dari implementasi personalisasi pembelajaran. Fokusnya tidak hanya pada hasil akademis siswa, tetapi juga pada interaksi dan pengalaman belajar mereka. Kemajuan siswa dapat dinilai dengan melihat perubahan dalam pencapaian akademis mereka seiring waktu, yang dapat diukur melalui tes, proyek, atau penugasan lainnya. Keterlibatan siswa mengacu pada seberapa aktif dan terlibatnya siswa dalam proses pembelajaran, yang dapat diukur melalui partisipasi dalam
205 diskusi, tingkat ketertarikan terhadap materi, dan tingkat interaksi dengan instruktur dan sesama siswa. Kepuasan siswa mencerminkan sejauh mana siswa merasa puas dengan pengalaman pembelajaran mereka, termasuk sejauh mana kebutuhan dan preferensi individu mereka dipenuhi. Evaluasi efektivitas personalisasi pembelajaran yang komprehensif memperhitungkan semua aspek ini untuk menentukan apakah pendekatan personalisasi tersebut berhasil dalam mencapai tujuan pembelajaran dan meningkatkan pengalaman belajar siswa secara keseluruhan. Adapun tahapan proses evaluasi dalam penggunaan data mining dalam pembelajaran: a. Perumusan Tujuan Evaluasi: Sekolah tersebut memiliki tujuan untuk meningkatkan kemajuan akademis siswa dan meningkatkan keterlibatan mereka dalam pembelajaran. b. Identifikasi Variabel dan Parameter: Variabel yang akan dievaluasi termasuk kemajuan akademis siswa (nilai tes), tingkat keterlibatan (partisipasi dalam diskusi kelas), dan kepuasan siswa (hasil survei kepuasan siswa). c. Pengumpulan Data: Data dikumpulkan dari berbagai sumber, termasuk hasil tes, catatan partisipasi kelas, dan survei kepuasan siswa. d. Preprocessing Data: Data yang dikumpulkan diproses untuk membersihkan data yang tidak lengkap atau tidak akurat, mengintegrasikan data
206 dari berbagai sumber, dan mentransformasi data ke format yang sesuai untuk analisis data. e. Analisis Data: Teknik data mining digunakan untuk menganalisis data yang telah dikumpulkan. Algoritma klasifikasi dapat digunakan untuk mengidentifikasi pola dalam data tes siswa, sementara analisis klaster dapat digunakan untuk mengelompokkan siswa berdasarkan tingkat partisipasi mereka dalam kelas. f. Interpretasi Hasil: Hasil analisis data dievaluasi untuk mendapatkan wawasan tentang sejauh mana strategi pembelajaran yang dipersonalisasi telah memengaruhi kemajuan, keterlibatan, dan kepuasan siswa. g. Pelaporan dan Komunikasi: Hasil evaluasi disajikan dalam laporan evaluasi kepada pemangku kepentingan, termasuk pendidik, siswa, dan administrasi sekolah. 2. Penyesuaian Lanjutan Menggunakan umpan balik dari siswa dan hasil evaluasi adalah langkah penting dalam meningkatkan proses personalisasi pembelajaran. Berikut adalah contoh langkah-langkahnya: a. Mengumpulkan Umpan Balik: Melakukan survei atau kuesioner kepada siswa untuk mendapatkan umpan balik tentang pengalaman pembelajaran mereka. Pertanyaan dapat mencakup aspek-aspek seperti kejelasan materi, efektivitas metode
207 pengajaran, kebutuhan tambahan, dan preferensi belajar. b. Analisis Umpan Balik: Melakukan analisis terhadap umpan balik yang diperoleh dari siswa. Identifikasi pola umpan balik yang muncul secara konsisten, serta area-area yang memerlukan perhatian atau perbaikan. c. Evaluasi Hasil Pembelajaran: Melakukan evaluasi terhadap hasil pembelajaran siswa, termasuk kemajuan akademis mereka, tingkat keterlibatan, dan kepuasan siswa. Bandingkan hasil evaluasi ini dengan tujuan pembelajaran yang ditetapkan sebelumnya. d. Identifikasi Area Perbaikan: Berdasarkan analisis umpan balik dan hasil evaluasi, identifikasi areaarea yang memerlukan perbaikan atau penyesuaian dalam proses personalisasi pembelajaran. Ini bisa mencakup penyesuaian materi pembelajaran, perubahan dalam metode pengajaran, atau pengembangan sumber daya tambahan. e. Pengembangan Strategi Perbaikan: Merumuskan strategi perbaikan berdasarkan temuan dari analisis umpan balik dan evaluasi hasil pembelajaran. Pastikan strategi ini bersifat konkret, dapat diimplementasikan, dan sesuai dengan kebutuhan siswa. f. Implementasi Strategi: Menerapkan strategi perbaikan yang telah dirumuskan dalam proses
208 personalisasi pembelajaran. Pastikan untuk memberikan pelatihan dan dukungan yang diperlukan kepada pendidik dan staf sekolah dalam mengimplementasikan perubahan tersebut. g. Monitoring dan Evaluasi Lanjutan: Terus memantau implementasi strategi perbaikan dan melakukan evaluasi lanjutan terhadap hasil pembelajaran siswa. Perhatikan perubahan yang terjadi dan identifikasi apakah strategi perbaikan telah berhasil atau memerlukan penyesuaian lebih lanjut. h. Siklus Peningkatan Berkelanjutan: Proses ini merupakan siklus yang berkelanjutan, di mana umpan balik dari siswa dan evaluasi hasil pembelajaran digunakan secara terus-menerus untuk meningkatkan dan menyempurnakan proses personalisasi pembelajaran secara keseluruhan. H. Studi Kasus dan Implementasi Praktis 1. Kasus-kasus Studi: Memperkenalkan contoh-contoh kasus yang sukses tentang penggunaan data mining untuk personalisasi pembelajaran. Beberapa contoh kasus yang sukses tentang penggunaan data mining untuk personalisasi pembelajaran: a. Knewton: Platform pembelajaran adaptif Knewton menggunakan teknologi data mining
209 untuk menganalisis perilaku belajar siswa dan menyesuaikan materi pembelajaran secara realtime. Knewton mengumpulkan data tentang bagaimana siswa menjawab pertanyaan, berinteraksi dengan materi, dan kemajuan akademis mereka. Berdasarkan data ini, platform Knewton secara otomatis menyusun kurikulum yang disesuaikan dengan kebutuhan dan kemampuan masing-masing siswa. Studi kasus menunjukkan bahwa penggunaan Knewton telah meningkatkan kemajuan siswa dan tingkat keterlibatan dalam pembelajaran. b. DreamBox Learning: DreamBox Learning adalah platform pembelajaran matematika adaptif yang menggunakan data mining untuk mengidentifikasi pola belajar siswa. Platform ini menganalisis respon siswa terhadap soal-soal matematika dan memperhitungkan faktor-faktor seperti tingkat kesulitan dan gaya belajar siswa. Berdasarkan analisis ini, DreamBox Learning menyajikan materi pembelajaran yang disesuai-kan dengan kemampuan dan kebutuhan setiap siswa. Studi kasus menunjukkan peningkatan signifikan dalam kemajuan akademis siswa yang menggunakan platform DreamBox Learning. c. Carnegie Learning: Carnegie Learning adalah platform pembelajaran matematika yang menggunakan data mining untuk mempersonalisasi pembelajaran. Platform ini mengumpulkan data tentang kemajuan siswa, strategi pembelaja-ran
210 yang digunakan, dan interaksi dengan materi. Carnegie Learning menggunakan algoritma data mining untuk menganalisis data ini dan menyajikan materi pembelajaran yang disesuaikan dengan kebutuhan belajar masing-masing siswa. Studi kasus menunjukkan bahwa penggunaan Carnegie Learning telah meningkatkan hasil tes siswa dan meningkatkan keterlibatan dalam pembelajaran. d. IXL Learning: Platform pembelajaran IXL Learning menggunakan data mining untuk memberikan pembelajaran adaptif dalam berbagai mata pelajaran. IXL Learning mengumpulkan data tentang kemajuan siswa, kekuatan dan kelemahan mereka, serta pola belajar mereka. Berdasarkan analisis data ini, IXL Learning menyajikan latihan-latihan dan materi pembelajaran yang disesuaikan dengan tingkat keterampilan dan kebutuhan belajar masing-masing siswa. Studi kasus menunjukkan bahwa penggunaan IXL Learning telah meningkatkan pencapaian akademis siswa dan meningkatkan kepercayaan diri mereka dalam pembelajaran. 2. Implementasi Praktis Contoh implementasi praktis untuk menerapkan teknik data mining dalam konteks personalisasi pembelajaran di berbagai lingkungan pendidikan:
211 Langkah 1: Pengumpulan Data a. Identifikasi sumber data yang relevan, seperti catatan aktivitas siswa, hasil tes, tanggapan siswa, dan sebagainya. b. Gunakan sistem manajemen pembelajaran (LMS), platform pembelajaran online, atau survei siswa untuk mengumpulkan data ini. Langkah 2: Preprocessing Data a. Bersihkan data dari nilai-nilai yang hilang atau tidak valid. b. Integrasikan data dari berbagai sumber untuk memastikan kelengkapan data. c. Transformasikan data ke format yang sesuai untuk analisis data mining. Langkah 3: Analisis Data a. Gunakan teknik data mining seperti klasifikasi, klasterisasi, atau regresi untuk menganalisis data. b. Identifikasi pola dan tren yang muncul dalam data yang relevan dengan pembelajaran siswa. Langkah 4: Segmentasi Siswa a. Gunakan hasil analisis data untuk mengidentifikasi kelompok siswa dengan karakteristik pembelajaran yang serupa.
212 b. Contoh: Membagi siswa menjadi kelompok berdasarkan kemampuan, gaya belajar, atau minat. Langkah 5: Analisis Pola Belajar Siswa a. Gunakan data mining untuk memahami preferensi topik, gaya belajar, dan tingkat keterampilan siswa. b. Contoh: Menganalisis pola jawaban siswa dalam tes untuk mengidentifikasi topik yang sulit atau preferensi belajar siswa. Langkah 6: Prediksi Kemajuan Siswa a. Manfaatkan data mining untuk memprediksi kemajuan dan pencapaian siswa di masa depan. b. Contoh: Menggunakan model prediksi untuk memperkirakan hasil tes siswa berdasarkan kinerja sebelumnya dan faktor-faktor lainnya. Langkah 7: Penyesuaian Konten dan Aktivitas Pembelajaran a. Sesuaikan konten pembelajaran, tugas, dan aktivitas berdasarkan profil siswa yang diidentifikasi. b. Contoh: Menyesuaikan tingkat kesulitan soal atau memberikan materi tambahan sesuai dengan kebutuhan siswa.
213 Langkah 8: Implementasi Pendekatan Pembelajaran Fleksibel a. Terapkan pendekatan pembelajaran yang fleksibel, seperti tutor AI atau panduan belajar otomatis, berdasarkan hasil analisis data. b. Contoh: Menggunakan sistem pembelajaran adaptif yang menyajikan materi yang disesuaikan dengan tingkat keterampilan dan kebutuhan belajar siswa.
214 Etika Data Mining dalam Konteks Digial Learning Dr. Eko Sudarmanto, S.E., M.M alam era digital learning, di mana teknologi informasi dan komunikasi semakin mendominasi proses pembelajaran, data mining memiliki peran yang semakin penting. Data mining merupakan proses penggalian informasi yang mendalam dari berbagai sumber data untuk mengidentifikasi pola, tren, dan wawasan yang bermanfaat (Raghavan, 2012). Namun, penggunaan data mining dalam konteks digital learning juga menimbulkan sejumlah isu etika yang perlu diperhatikan dengan serius. Berikut adalah urgensi etika data mining dalam konteks digital learning: 1. Privasi dan keamanan data. Dalam digital learning, data mining sering melibatkan pengumpulan data pribadi siswa, termasuk informasi tentang perilaku belajar dan preferensi pembelajaran. Urgensi etika data mining menekankan perlunya melindungi privasi siswa dan memastikan keamanan data mereka. Pelanggaran privasi D
215 dapat menimbulkan masalah hukum dan etika yang serius serta merusak kepercayaan siswa terhadap platform pembelajaran (Selwyn, 2016). 2. Bias dan diskriminasi. Proses data mining dapat menghasilkan bias yang tidak disengaja dalam analisis data, yang dapat mengarah pada diskriminasi terhadap kelompok siswa tertentu (Romero et al., 2013). Oleh karena itu, penting untuk menerapkan etika data mining yang memperhatikan dan mengatasi bias potensial dalam pengambilan keputusan pembelajaran. 3. Transparansi dan akuntabilitas. Etika data mining menekankan pentingnya transparansi dan akuntabilitas dalam penggunaan data siswa. Institusi pendidikan dan pengembang platform pembelajaran harus memberikan informasi yang jelas tentang bagaimana data siswa digunakan, diproses, dan dilindungi (Romero et al., 2013). Siswa dan pemangku kepentingan lainnya juga harus memiliki akses yang mudah untuk memahami kebijakan privasi dan keamanan data. 4. Keadilan dan keterbukaan. Etika data mining dalam konteks digital learning menggarisbawahi pentingnya keadilan dan keterbukaan dalam akses dan penggunaan data siswa. Setiap siswa harus memiliki kesempatan yang sama untuk mendapatkan manfaat dari teknologi pembelajaran digital, tanpa diskriminasi atau keterbatasan akses yang tidak adil (Lynch & Boticario, 2015). Dengan memperhatikan urgensi etika data mining dalam konteks digital learning, institusi pendidikan, pengembang teknologi, dan pemangku kepentingan lainnya dapat memastikan bahwa penggunaan data mining memberikan
216 manfaat yang maksimal bagi pembelajaran siswa sambil tetap menjaga prinsip-prinsip etika dan nilai-nilai moral. A. Pentingnya Etika Data Mining 1. Privasi Siswa Pentingnya etika data mining dalam konteks privasi siswa sangatlah signifikan dalam era digital learning. Dalam proses data mining, informasi pribadi siswa, seperti data demografis, riwayat akademik, dan perilaku belajar, sering dikumpulkan dan dianalisis untuk memberikan wawasan tentang pola pembelajaran dan kemajuan siswa (Boyd & Crawford, 2012). Namun, perlindungan privasi siswa menjadi sangat penting dalam penggunaan data mining ini. Berikut adalah beberapa alasan mengapa etika data mining dalam konteks privasi siswa menjadi sangat penting: a. Kepatuhan Hukum. Privasi siswa dilindungi oleh undang-undang privasi data, seperti General Data Protection Regulation (GDPR) di Uni Eropa atau Family Educational Rights and Privacy Act (FERPA) di Amerika Serikat. Pelanggaran privasi data dapat mengakibatkan konsekuensi hukum serius bagi institusi pendidikan atau pengembang teknologi pembelajaran (Moor, 2005). Oleh karena itu, penting bagi pengguna data mining untuk mematuhi peraturan-peraturan privasi yang berlaku.
217 b. Kepercayaan Siswa dan Orang Tua. Kehilangan kepercayaan siswa dan orang tua dapat terjadi jika informasi pribadi siswa disalahgunakan atau diungkapkan tanpa izin. Etika data mining yang mencakup perlindungan privasi dapat membantu membangun kepercayaan siswa dan orang tua terhadap sistem pendidikan dan teknologi pembelajaran yang digunakan (Boyd & Crawford, 2012). c. Risiko Identifikasi. Data mining memiliki potensi untuk mengidentifikasi individu secara unik berdasarkan pola-pola data tertentu. Oleh karena itu, penting untuk melindungi privasi siswa untuk mencegah penyalahgunaan data yang dapat mengakibatkan risiko identifikasi atau penargetan yang tidak diinginkan (Dinev & Hart, 2006). d. Keseimbangan antara Inovasi dan Perlindungan. Etika data mining melibatkan menciptakan keseimbangan antara inovasi dalam pembelajaran digital dan perlindungan privasi siswa (Moor, 2005). Sambil memanfaatkan potensi data mining untuk meningkatkan pembelajaran, penting juga untuk memastikan bahwa hak privasi siswa tetap terjaga. Dengan memperhatikan pentingnya etika data mining dalam menjaga privasi siswa, institusi pendidikan dan pengembang teknologi pembelajaran dapat mengembangkan kebijakan dan praktik terbaik yang memastikan bahwa data siswa dikelola dengan aman dan bertanggung jawab.
218 2. Keadilan dan Bias Dalam konteks data mining, pentingnya etika tidak hanya mencakup perlindungan privasi, tetapi juga menyangkut keadilan dan penghindaran bias. Keadilan dan penghindaran bias menjadi sangat penting karena hasil dari data mining dapat memengaruhi keputusan penting dalam berbagai bidang, termasuk pendidikan, kesehatan, dan keuangan. Berikut adalah beberapa alasan mengapa keadilan dan penghindaran bias merupakan aspek penting dalam etika data mining: a. Perlakuan yang Adil. Etika data mining menuntut bahwa hasil analisis data tidak boleh memihak atau merugikan kelompok tertentu. Keadilan dalam penggunaan data mining memastikan bahwa hasilnya tidak menguntungkan satu kelompok sementara merugikan kelompok lain, sehingga semua individu atau kelompok memiliki kesempatan yang adil (Dwork et al., 2012). b. Penghindaran Bias. Data mining dapat menghasilkan bias yang tidak disengaja jika data yang digunakan tidak mewakili populasi secara proporsional atau jika terdapat faktor-faktor yang tidak dipertimbangkan dalam analisis. Misalnya, jika data hanya mencakup kelompok tertentu dari populasi siswa, analisis tersebut mungkin tidak mencerminkan kondisi yang sebenarnya. Penghindaran bias dalam data mining memastikan bahwa hasil analisis tidak terdistorsi
219 oleh faktor-faktor yang tidak relevan atau tidak adil (Caliskan et al., 2017). c. Pencegahan Diskriminasi. Etika data mining juga menyangkut pencegahan diskriminasi terhadap kelompok-kelompok minoritas atau rentan. Hasil analisis yang didasarkan pada data yang bias atau tidak adil dapat mengarah pada diskriminasi dalam pengambilan keputusan, seperti dalam penentuan kelayakan siswa untuk program tertentu atau pemberian sanksi disiplin (Zliobaite, 2015; Mittelstadt et al., 2016). d. Keadilan dalam Akses dan Pemanfaatan. Penggunaan data mining harus memastikan bahwa semua individu atau kelompok memiliki akses yang adil terhadap informasi dan manfaat yang dihasilkan dari analisis data (Dwork et al., 2012). Keadilan ini memastikan bahwa tidak ada kelompok yang diabaikan atau diuntungkan secara tidak adil dalam proses pengambilan keputusan. Dengan memperhatikan pentingnya keadilan dan penghindaran bias dalam etika data mining, institusi dan praktisi data mining dapat mengadopsi pendekatan yang lebih bertanggung jawab dalam pengumpulan, analisis dan penggunaan data.
220 B. Prinsip Etika dalam Data Mining 1. Transparansi Transparansi merupakan salah satu prinsip utama dalam etika data mining yang menuntut bahwa proses pengumpulan, pengolahan, dan penggunaan data haruslah terbuka dan dapat dipahami oleh semua pihak yang terlibat (Mittelstadt et al., 2016; Berman et al., 2018; Provost & Fawcett, 2013). Dalam konteks data mining, transparansi mencakup dua aspek utama: a. Transparansi dalam Pengumpulan dan Pengolahan Data. Institusi atau organisasi yang melakukan data mining harus transparan tentang sumber data yang digunakan, tujuan pengumpulan data, dan metode pengolahan data yang digunakan. Hal ini memungkinkan individu untuk memahami bagaimana data mereka digunakan dan memberikan kesempa-tan bagi mereka untuk memberikan persetujuan atau menolak penggunaan data mereka. b. Transparansi dalam Proses Analisis dan Pengambilan Keputusan. Hasil dari proses data mining juga harus transparan dan dapat dipahami oleh semua pihak yang terlibat. Ini termasuk penjelasan tentang metode analisis yang digunakan, temuan yang ditemukan, dan implikasi dari temuan tersebut dalam konteks keputusan yang diambil. Transparansi ini memungkinkan individu untuk memverifikasi integritas dan validitas
221 hasil analisis serta memberikan umpan balik yang konstruktif jika diperlukan. Penerapan prinsip transparansi dalam data mining tidak hanya memenuhi standar etika yang tinggi, tetapi juga membangun kepercayaan antara organisasi atau institusi dengan individu atau kelompok yang terpengaruh oleh proses data mining tersebut. Hal ini merupakan langkah penting dalam mendukung hubungan yang saling menguntungkan antara semua pihak yang terlibat dalam penggunaan data. 2. Persetujuan (Consent) Salah satu prinsip utama dalam etika data mining adalah prinsip persetujuan atau consent. Prinsip ini menekankan pentingnya memperoleh izin atau persetujuan dari individu atau kelompok sebelum mengumpulkan, mengakses, atau menggunakan data yang terkait dengan mereka (Bietti, 2017). Dalam konteks data mining, mendapatkan consent merupakan langkah kritis untuk memastikan bahwa penggunaan data dilakukan secara etis dan menghormati hak privasi serta otonomi individu. Berikut adalah beberapa hal yang perlu dipahami tentang prinsip consent dalam etika data mining menurut para ahli (Solove, 2006; Gürses et al., 2011). a. Pemahaman dan Penjelasan. Prinsip consent menuntut bahwa individu atau kelompok harus diberikan pemahaman yang jelas tentang penggunaan data mereka dan konsekuensi dari penggunaan tersebut. Pihak yang mengumpulkan
222 data harus memberikan penjelasan yang transparan tentang tujuan pengumpulan data, jenis data yang akan dikumpulkan, serta cara data tersebut akan digunakan dan diolah. b. Pilihan dan Kontrol. Individu atau kelompok harus diberikan pilihan dan kontrol atas penggunaan data mereka. Mereka harus memiliki hak untuk menentukan apakah akan memberikan consent atau tidak, serta bagaimana data mereka akan digunakan. Ini mencakup hak untuk menarik consent kapan pun mereka mau dan meminta penghapusan atau modifikasi data mereka. c. Konsen Consent. Consent harus diperoleh secara sah dan berdasarkan pemahaman yang penuh dari individu atau kelompok yang bersangkutan. Ini berarti bahwa consent tidak boleh diperoleh secara paksa, manipulatif, atau dengan memberikan informasi yang menyesatkan. Pihak yang mengumpulkan data harus memastikan bahwa consent diberikan secara sukarela dan dengan pengetahuan yang cukup. d. Perlindungan terhadap Vulnerable Populations. Prinsip consent juga memperhatikan perlindungan terhadap kelompok yang rentan atau tidak mampu memberikan consent dengan baik, seperti anak-anak, orang yang tidak mampu, atau orang yang tidak sadar. Dalam kasus ini, perlu ada perlindungan tambahan dan prosedur khusus untuk memastikan bahwa data mereka tidak disalahgunakan.
223 Penerapan prinsip consent dalam data mining merupakan langkah penting untuk memastikan bahwa penggunaan data dilakukan secara etis, menghormati hak privasi, otonomi individu, dan kepercayaan publik terhadap penggunaan teknologi dan data. 3. Anonimitas dan Agregasi Dalam konteks etika data mining, prinsip anonimitas dan agregasi memegang peran penting untuk melindungi privasi individu sambil tetap memungkinkan analisis data yang bermanfaat. Prinsip ini mengharuskan pengguna data mining untuk melindungi identitas individu dengan cara menghilangkan informasi identifikasi pribadi atau dengan menggabungkan data menjadi bentuk yang tidak dapat dihubungkan kembali ke individu tertentu (Fung et al., 2010; Machanavajjhala et al., 2007; Sweeney, 2002). Berikut adalah penjelasan lebih lanjut tentang prinsip anonimitas dan agregasi dalam etika data mining: a. Anonimitas. Prinsip anonimitas menuntut bahwa data yang digunakan dalam analisis harus diubah sedemikian rupa sehingga tidak mungkin untuk mengidentifikasi individu secara langsung. Ini bisa dilakukan dengan menghapus informasi identifikasi pribadi, seperti nama, alamat, nomor identitas, atau detail kontak lainnya, dari data yang akan dianalisis. Dengan menerapkan anonimitas, pengguna data mining dapat
224 memastikan bahwa privasi individu terlindungi dan risiko penyalahgunaan data dapat dikurangi. b. Agregasi. Prinsip agregasi melibatkan penggabungan data menjadi bentuk agregat atau keseluruhan yang lebih besar. Sebagai contoh, daripada menganalisis data individu, data dapat digabungkan menjadi statistik atau rata-rata untuk kelompok atau populasi tertentu. Dengan melakukan agregasi, pengguna data mining dapat menganalisis tren atau pola secara keseluruhan tanpa perlu mengidentifikasi individu secara spesifik. Hal ini membantu menjaga privasi dan keamanan data sambil tetap memberikan wawasan yang berguna dari data. c. Keseimbangan antara Utilitas dan Privasi. Penting untuk menemukan keseimbangan yang tepat antara memanfaatkan data untuk tujuan analisis yang bermanfaat dan melindungi privasi individu. Sementara anonimitas dan agregasi melindungi privasi, terlalu banyak transformasi pada data juga dapat mengurangi utilitas analisis. Oleh karena itu, penting untuk mempertimbangkan manfaat dan risiko dari transformasi data yang dilakukan. d. Keamanan dan Proteksi. Prinsip anonimitas dan agregasi juga membutuhkan langkah-langkah tambahan dalam hal keamanan dan proteksi data. Penting untuk memastikan bahwa data anonim dan agregat dilindungi dari akses yang tidak sah atau penyalahgunaan oleh pihak yang tidak berwenang.
225 Dengan memperhatikan prinsip anonimitas dan agregasi dalam etika data mining, pengguna data mining dapat menjaga keseimbangan antara analisis data yang bermanfaat dan perlindungan privasi individu.
226 Daftar Pustaka Avella, J. T., Kebritchi, M., Nunn, S. G., & Kanai, T. (2016). Learning analytics methods, benefits, and challenges in higher education: A systematic literature review. Journal of Asynchronous Learning Network, 20(2). https://doi.org/10.24059/olj.v20i2.790 Adinda Hermawan, S., Sari Dewi Hartanto, D. R., Wiharta, D. M., & Arsa Suyadnya, I. M. (2024). VISUALISASI DATA PENGELOMPOKKAN KELULUSAN MAHASISWA DENGAN ALGORITMA CLUSTERING K-MEANS. Jurnal SPEKTRUM, 11(1), 86. https://doi.org/10.24843/SPEKTRUM.2024.v11.i01. p10 Amazon Web Services. (2024). Apa itu Visualisasi Data? - Penjelasan tentang Visualisasi Data - AWS. Amazon Web Services, Inc.
227 https://aws.amazon.com/id/what-is/datavisualization/ Abadi, M., Agarwal, A., Barham, P., Brevdo, E., Chen, Z., Citro, C., ... & Zheng, X. (2016). TensorFlow: Large-scale machine learning on heterogeneous systems. Software available from tensorflow.org. Aggarwal, C.C. (2015), Data Mining, Springer International Publishing, Cham, doi: 10.1007/978- 3-319-14142-8. Aggarwal, C.C. and Zhai, C. (2012), Mining Text Data, edited by Aggarwal, C.C. and Zhai, C., Springer International Publishing, Boston, MA, doi: 10.1007/978-1-4614-3223-4. Afb[tgc, H.N. (2022), ‚T_rn gchcha ch ihfch_ mi]c[f h_nqilem: A msmn_g[nc] l_pc_q‛, International Journal of Computer Science & Network Security, International Journal of Computer Science & Network Security, Vol. 22 No. 3, pp. 396–404. Antons, D., Grünwald, E., Cichy, P. and Salge, T.O. (2020), ‚Tb_ [jjfc][ncih i` n_rn gchcha g_nbi^m ch
228 innovation research: current state, evolution patterns, and development prioritiem‛, R&D Management, Wiley Online Library, Vol. 50 No. 3, pp. 329–351. Ardiansyah, A., Widagdo, A.S., Qodri, K.N., Nugroho, S.F.E. [h^ Ponlc, N.A.R. (2023), ‚Ah[fcmcm m_hncg_h terhadap pelayanan Kesehatan berdasarkan of[m[h Giiaf_ M[jm g_haaoh[e[h BERT‛, JURNAL FASILKOM, Vol. 13 No. 02, pp. 326–333, doi: 10.37859/jf.v13i02.5170. Aal[q[f, R., Igc_fcńmec, T., & Sq[gc, A. (1993). Mchcha association rules between sets of items in large databases. ACM SIGMOD Record, 22(2), 207-216. Ayyad, Usama. 1996. Advances in Knowledge Discovery and Data Mining. MIT Press. Aggarwal, C. C. (2015). Data mining: The textbook. Springer. http://repository.unika.ac.id/13294/5/12 .60.0248%20Christina%20Thiveny%20Putrianti%2 0BAB%20IV.pdf.
229 B. Santoso. (2007). Data Mining: Teknik Pemanfaatan Data Untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu. Bhowmik, D., Nath, P. C., Dey, N., & Ashour, A. S. (Eds.). (2020). Handbook of research on machine and deep learning applications for cyber security. IGI Global. B[e_l, R. S. [h^ inb_lm (2019) ‘Cb[ff_ha_m `il nb_ `onol_ i` educational data mining: The Baker learning [h[fsnc]m jlct_m’, Journal of Educational Data Mining, 11(1), pp. 1–17. Bila_fn, C. (2009) ‘Gl[jb gchcha: Ah ip_lpc_q’, ch Proc. 19th GMA/GI Workshop Computational Intelligence, pp. 189–203. Baker, R. S. J. d., & Siemens, G. (2014). Educational data mining and learning analytics. In R. K. Sawyer (Ed.), The Cambridge Handbook of the Learning Sciences (pp. 253-272). Cambridge University Press.
230 Baker, R. S. J. d., & Siemens, G. (2014). Educational data mining and learning analytics. In R. K. Sawyer (Ed.), The Cambridge Handbook of the Learning Sciences (pp. 253-272). Cambridge University Press. Bauer, E., Kohavi, R., & Pfahringer, B. (2005). Evaluation of lightweight algorithms for mining streaming data with periodic updates. Knowledge and information systems, 8(2), 199-228. Berman, F., Hay, D., Milton, J., & Shaikh, O. (2018). "Data mining: Learning with many relevant and irrelevant features." Foundations and Trends® in Machine Learning, 11(3-4), 233-313. Bietti, E. (2017). "The moral status of data-mining techniques." AI & Society, 32(4), 587-600. Boyd, D., & Crawford, K. (2012). "Critical questions for big data: Provocations for a cultural, technological, and scholarly phenomenon." Information, Communication & Society, 15(5), 662-679.
231 Caliskan, A., Bryson, J. J., & Narayanan, A. (2017). "Semantics derived automatically from language corpora contain human-like biases." Science, 356(6334), 183-186. Cb[l\ons, B. [h^ A\^of[t__t, A. (2021) ‘Cf[mmc`c][ncih based on decision tree algorithm for machine f_[lhcha’, Journal of Applied Science and Technology Trends, 2(01), pp. 20–28. Cook, D. J. and Holder, L. B. (2006) Mining graph data. John Wiley \& Sons. Davies, B. (2004). Database Systems 3rd Edition. Davies R, Allen G, Albrecht C, Bakir N, Ball N (2021). Using Educational Data Mining to Identify and Analyze Student Learning Strategies in an Online Flipped Classroom. Education Sciences : https://www.mdpi.com/2227-7102/11/11/668. Dinev, T., & Hart, P. (2006). "Internet privacy concerns and their antecedents-measurement validity and a regression model." Behaviour & Information Technology, 25(2), 135-157.
232 Dwork, C., Hardt, M., Pitassi, T., Reingold, O., & Zemel, R. (2012). "Fairness through awareness." In Proceedings of the 3rd Innovations in Theoretical Computer Science Conference (pp. 214-226). Filnoh[ni, S. (2010) ‘Ciggohcns ^_n_]ncih ch al[jbm’, Physics reports, 486(3–5), pp. 75–174. Feldman, R. and Sanger, J. (2007), The Text Mining Handbook: Advanced Approaches in Analyzing Unstructured Data, Cambridge university press. Fung, B., Wang, K., & Fu, A. W. (2010). "Introduction to privacy-preserving data publishing: Concepts and techniques." CRC Press. Gürses, S., Troncoso, C., Diaz, C., & Danezis, G. (2011). "Engineering privacy by design." In Proceedings of the 2011 IEEE Symposium on Security and Privacy (pp. 1-13). Graf, S., Liu, T.-C. [h^ Kchmboe (2010) ‘Ah[fsmcm i` f_[lh_lm’ h[pca[ncih[f \_b[pciol [h^ nb_cl learning styles in an online course’, Journal of Computer Assisted Learning, 26(2), pp. 116–131.
233 Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., & Witten, I. H. (2009). The WEKA data mining software: an update. ACM SIGKDD explorations newsletter, 11(1), 10-18. Han, J., Pei, J., & Yin, Y. (2000). Mining frequent patterns without candidate generation. ACM SIGMOD Record, 29(2), 1-12. Hahsler, M., & Chelluboina, S. (2008). Visualizing association rules: Introduction to the R-extension package arulesViz. arXiv preprint arXiv:0811.1529. Hickman, L., Thapa, S., Tay, L., Cao, M. and Srinivasan, P. (2022), ‚T_rn Pl_jli]_mmcha `il T_rn Mchcha ch Organizational Research: Review and R_]igg_h^[ncihm‛, Organizational Research Methods, Vol. 25 No. 1, pp. 114–146, doi: 10.1177/1094428120971683.
234 Hans, R. (n.d.). Mengenal Tipe Visualisasi Data dengan Excel. Retrieved May 15, 2024, from https://dqlab.id/mengenal-tipe-visualisasi-datadengan-excel Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques. Morgan Kaufmann. Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques. Morgan Kaufmann. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Springer. H[hh_g[h, R. A. [h^ Rc^^f_, M. (2005) ‘Ihnli^o]ncih ni mi]c[f h_nqile g_nbi^m’. Uhcp_lmcns i` C[fc`ilhc[ Riverside. Jomib, S. [h^ Af`[q[l_b, H.M. (2012), ‚T_]bhcko_m, applications and challenging issue in text gchcha‛, International Journal of Computer Science Issues (IJCSI), International Journal of Computer Science Issues (IJCSI), Vol. 9 No. 6, p. 431.
235 James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning. Springer: https://www.springer.com/us/book/978146147137 0. Jaidka, K., Guntuku, S. C., Buffone, A., & Ungar, L. H. (2018). Understanding the Predictability of User Demographics from Text in Age and Gender. In Proceedings of the 2018 World Wide Web Conference (pp. 439-448). Kuhn, M., & Johnson, K. (2013). Applied Predictive Modeling. Springer. Kao, A. and Poteet, S.R. (2007), Natural Language Processing and Text Mining, Springer Science & Business Media. Kononova, O., He, T., Huo, H., Trewartha, A., Olivetti, E.A. [h^ C_^_l, G. (2021), ‚Ojjilnohcnc_m [h^ ]b[ff_ha_m i` n_rn gchcha ch g[n_lc[fm l_m_[l]b‛, Iscience, Elsevier, Vol. 24 No. 3. Kharis, S. A. A., & Zili, A. H. A. (2022). Learning Analytics dan Educational Data Mining pada Data
236 Pendidikan. JURNAL RISET PEMBELAJARAN MATEMATIKA SEKOLAH, 6(1). https://doi.org/10.21009/jrpms.061.02 Khuri, A. I. (2013). Introduction to Linear Regression Analysis, Fifth Edition by Douglas C. Montgomery, Elizabeth A. Peck, G. Geoffrey Vining. International Statistical Review, 81(2). https://doi.org/10.1111/insr.12020_10 Lee, L. K., Cheung, S. K. S., & Kwok, L. F. (2020). Learning analytics: current trends and innovative practices. In Journal of Computers in Education (Vol. 7, Issue 1). https://doi.org/10.1007/s40692-020-00155- 8 Lynch, M. F., & Boticario, J. G. (Eds.). (2015). "Ethical Data Mining Applications for Socio-Economic Development." IGI Global. Liben-Niq_ff, D. [h^ Kf_ch\_la, J. (2003) ‘Tb_ fche prediction problem fil mi]c[f h_nqilem’, ch Proceedings of the twelfth international conference on Information and knowledge management, pp. 556–559.
237 Lin, M.-H., Chen, H.-C., & Liu, K.-S. (2017). A Study of the Effects of Digital Learning on Learning Motivation and Learning Outcome. Eurasia Journal of Mathematics, Science and Technology Education, 13(7), 3553–3564. https://doi.org/10.12973/eurasia.2017.00744a Larose, Daniel T. 2005. Discovering Knowledge in Data : An Introduction to Data Mining. John Willey & Sons, Inc. Lai, Y.-W. and Chen, M.-Y. (2023), ‚R_pc_q i` Solp_s R_m_[l]b ch Fotts Ajjli[]b `il T_rn Mchcha‛, IEEE Access, Vol. 11, pp. 39635–39649, doi: 10.1109/ACCESS.2023.3268165. Mitchell, T. M. (1997). Machine learning. McGrawHill: https://www.amazon.com/MachineLearning-Tom-M-Mitchell/dp/0070428077. Ma, Y., Zhou, Y., & Xiang, X. (2018). A personalized recommendation algorithm based on association rule mining in cloud computing education. IEEE Access, 6, 47654-47664.Olivya, M., Irmawati, I., Indrabulan, T., & Utomo, M. N. Y. (2023).
238 PELATIHAN PEMBUATAN DASHBOARD MONITORING PENILAIAN HASIL BELAJAR SISWA BAGI GURU. 9(3). Mohan, K., Gupta, R., & Nagar, A. (2016). A review on rapid miner: data mining tools. International Journal of Advanced Research in Computer Science and Software Engineering, 6(6), 91-94. Machanavajjhala, A., Kifer, D., Gehrke, J., & Venkitasubramaniam, M. (2007). "l-diversity: Privacy beyond k-anonymity." ACM Transactions on Knowledge Discovery from Data (TKDD), 1(1), 3. Mittelstadt, B. D., Allo, P., Taddeo, M., Wachter, S., & Floridi, L. (2016). "The ethics of algorithms: Mapping the debate." Big Data & Society, 3(2), 2053951716679679. Moor, J. H. (2005). "Why we need better ethics for emerging technologies." Ethics and Information Technology, 7(3), 111-119. N_[f, Z. (2015) ‘Bila[nnc, SP, Ep_l_nn, MG, \& Johnson, JC