Perkembangan kecerdasan buatan atau Artificial Intelligence semakin membuka peluang baru dalam dunia pendidikan. Jika sebelumnya AI lebih sering dibicarakan sebagai alat bantu menulis, mencari referensi, menerjemahkan teks, atau membuat materi pembelajaran, kini pemanfaatannya mulai masuk ke tahap yang lebih strategis: membantu memprediksi performa mahasiswa. Inilah yang dikembangkan oleh dosen Universitas Negeri Makassar melalui pendekatan AI yang lebih transparan dan dapat dijelaskan.
Inovasi ini menjadi menarik karena pendidikan digital tidak lagi cukup hanya menyediakan Learning Management System, kelas online, atau materi berbasis video. Perguruan tinggi kini membutuhkan sistem yang mampu membaca data pembelajaran, memahami pola mahasiswa, lalu membantu dosen dan institusi mengambil keputusan yang lebih tepat. Dengan AI, data yang sebelumnya hanya tersimpan sebagai angka dapat diolah menjadi informasi yang berguna.
Pengembangan model AI prediksi performa mahasiswa ini disebut menggunakan pendekatan Explainable AI atau XAI. Pendekatan ini memungkinkan sistem tidak hanya memberikan prediksi performa akademik, tetapi juga menjelaskan faktor-faktor yang memengaruhi hasil tersebut. Hal ini dinilai penting karena keputusan pendidikan tidak boleh hanya bergantung pada angka yang tidak jelas asal-usulnya.
Bukan Sekadar Memprediksi, Tapi Menjelaskan
Salah satu kelemahan teknologi AI yang sering dibahas adalah sifatnya yang seperti “kotak hitam”. Sistem bisa memberikan hasil, tetapi pengguna tidak selalu tahu mengapa hasil itu muncul. Dalam konteks pendidikan, kondisi seperti ini bisa berbahaya. Jika AI memprediksi seorang mahasiswa berisiko mengalami penurunan performa, dosen dan kampus perlu tahu alasannya. Apakah karena jarang mengakses LMS? Apakah tugas sering terlambat? Apakah nilai kuis menurun? Apakah partisipasi diskusi rendah?
Di sinilah Explainable AI menjadi penting. Sistem yang dapat dijelaskan membuat prediksi lebih transparan. Kampus tidak hanya mendapat label “mahasiswa berisiko”, tetapi juga gambaran faktor yang mendukung prediksi tersebut. Dengan begitu, keputusan yang diambil bisa lebih manusiawi, terukur, dan dapat dipertanggungjawabkan. Dr. Eni menjelaskan bahwa model ini diharapkan dapat membantu institusi pendidikan memahami hasil prediksi secara lebih transparan, sehingga keputusan akademik menjadi lebih akurat dan dapat dipertanggungjawabkan. Gagasan ini menunjukkan bahwa AI tidak dimaksudkan menggantikan dosen, tetapi menjadi alat bantu untuk memperkuat kualitas pengambilan keputusan.
LMS sebagai Sumber Data Pembelajaran
Dalam pendidikan digital, Learning Management System atau LMS menjadi pusat aktivitas akademik. Mahasiswa mengakses materi, mengerjakan tugas, mengikuti kuis, berdiskusi, mengunduh bahan ajar, dan berinteraksi dengan dosen melalui platform tersebut. Semua aktivitas ini menghasilkan data. Namun, data LMS sering kali belum dimanfaatkan secara maksimal. Banyak kampus hanya menggunakan LMS sebagai tempat penyimpanan materi dan tugas. Padahal, jika dianalisis dengan baik, data LMS bisa menunjukkan pola belajar mahasiswa. Misalnya, mahasiswa yang jarang login mungkin membutuhkan perhatian. Mahasiswa yang sering terlambat mengumpulkan tugas bisa jadi mengalami kesulitan manajemen waktu. Mahasiswa yang aktif berdiskusi tetapi nilainya rendah mungkin membutuhkan pendekatan pembelajaran berbeda. AI prediksi performa mahasiswa dapat membantu membaca pola-pola ini. Sistem dapat mengolah data aktivitas digital menjadi indikator awal. Dengan begitu, dosen tidak perlu menunggu nilai akhir semester untuk mengetahui mahasiswa mana yang membutuhkan bantuan.
Deteksi Dini untuk Mencegah Masalah Akademik
Salah satu manfaat terbesar dari AI prediksi performa mahasiswa adalah kemampuan deteksi dini. Dalam sistem pendidikan konvensional, masalah akademik sering baru terlihat setelah nilai ujian keluar. Saat itu, kadang sudah terlambat untuk melakukan intervensi. Mahasiswa sudah tertinggal terlalu jauh, motivasi menurun, atau bahkan berisiko tidak lulus mata kuliah.
Dengan AI, kampus bisa mendeteksi potensi masalah lebih cepat. Jika sistem menemukan pola yang menunjukkan penurunan performa, dosen dapat segera melakukan pendampingan. Misalnya, menghubungi mahasiswa, memberi tugas tambahan yang lebih terarah, menawarkan konsultasi, atau menyesuaikan metode pembelajaran.
Deteksi dini seperti ini sangat penting dalam pendidikan digital. Mahasiswa yang belajar melalui LMS kadang terlihat “hadir” secara administratif, tetapi belum tentu benar-benar aktif. AI dapat membantu dosen melihat lebih dalam daripada sekadar daftar hadir.
Membantu Dosen Mengambil Keputusan Lebih Objektif
Dosen memiliki peran besar dalam menilai dan membimbing mahasiswa. Namun, dalam kelas besar, dosen bisa kesulitan memantau semua mahasiswa secara detail. Apalagi jika jumlah peserta mata kuliah banyak dan aktivitas pembelajaran dilakukan secara online atau hybrid. AI dapat menjadi alat bantu yang memberi gambaran objektif berdasarkan data.
Dengan model prediksi performa, dosen bisa melihat mahasiswa mana yang perlu perhatian khusus. Keputusan tidak hanya berdasarkan intuisi atau kesan pribadi, tetapi juga berdasarkan pola aktivitas dan capaian akademik. Ini dapat membantu mengurangi bias dalam proses pendampingan.
Namun, penting untuk ditegaskan bahwa AI tidak boleh menjadi satu-satunya penentu keputusan akademik. Prediksi harus menjadi bahan pertimbangan, bukan vonis final. Dosen tetap harus melihat konteks mahasiswa secara manusiawi. Mungkin ada mahasiswa yang performanya turun karena masalah keluarga, kesehatan, ekonomi, atau hambatan akses internet. AI membantu memberi sinyal, tetapi manusia tetap harus melakukan pendekatan empatik.
Pendidikan Digital yang Lebih Personal
Salah satu arah masa depan pendidikan adalah pembelajaran yang lebih personal. Tidak semua mahasiswa belajar dengan cara yang sama. Ada yang cepat memahami materi melalui video. Ada yang lebih cocok membaca teks. Ada yang butuh diskusi. Ada yang perlu latihan soal lebih banyak. Dengan bantuan data dan AI, kampus bisa mulai merancang pendekatan yang lebih sesuai dengan kebutuhan mahasiswa.
Prediksi performa mahasiswa dapat menjadi langkah awal menuju personalisasi pembelajaran. Jika sistem mengetahui mahasiswa tertentu kesulitan pada topik tertentu, dosen bisa memberikan materi tambahan. Jika mahasiswa aktif tetapi nilainya kurang, dosen bisa mengevaluasi metode penilaian atau memberi bimbingan khusus. Jika mahasiswa jarang mengakses materi, kampus bisa mencari tahu penyebabnya. Dengan begitu, pendidikan digital tidak lagi bersifat satu arah. Sistem pembelajaran dapat menjadi lebih responsif terhadap kondisi mahasiswa.
