Perancangan Sistem Rekomendasi Kurikulum Personal Berbasis CLT dan RL untuk Edukasi Daring

Abstract

Perkembangan teknologi pendidikan telah mendorong munculnya platform edukasi daring yang menawarkan akses luas terhadap materi pembelajaran. Namun, tantangan utama yang dihadapi adalah menyajikan kurikulum yang relevan dan efektif bagi setiap mahasiswa secara individual. Kurikulum yang tidak disesuaikan dapat menyebabkan beban kognitif berlebih (cognitive overload) atau kurangnya tantangan (cognitive underload), yang pada akhirnya dapat menurunkan efektivitas pembelajaran. Penelitian ini mengusulkan perancangan dan implementasi sistem rekomendasi adaptif untuk kurikulum pembelajaran personal pada platform edukasi daring. Sistem ini mengintegrasikan Cognitive Load Theory (CLT) untuk mengukur dan mengelola beban kognitif mahasiswa serta Reinforcement Learning (RL) untuk menyesuaikan urutan dan kesulitan materi pembelajaran secara dinamis. Metode yang digunakan adalah pendekatan hybrid, menggabungkan data historis aktivitas mahasiswa (misalnya, waktu pengerjaan, nilai kuis, interaksi) dengan model RL untuk menentukan jalur pembelajaran optimal. Hasil dari simulasi dan implementasi awal menunjukkan bahwa sistem ini mampu memberikan rekomendasi kurikulum yang lebih personal, mengurangi beban kognitif yang tidak perlu, dan berpotensi meningkatkan hasil belajar mahasiswa secara signifikan dibandingkan dengan kurikulum linier tradisional. Implementasi sistem ini diharapkan dapat memberikan kontribusi signifikan terhadap personalisasi pendidikan di era digital.

GS Cited Analysis