MODEL E-LEARNING YANG DIPERSONALISASI: SISTEMATIS (TINJAUAN LITERATUR)

Tren sistem pembelajaran saat ini sedang mengalami perubahan sejalan dengan perkembangan teknologi informasi dan Internet. Proses bisnis yang dimiliki dunia pendidikan juga mengalami perubahan atau evolusi dari pembelajaran tradisional sistem ke sistem berbasis elektronik yaitu e-learning dengan kelebihan dan kekurangannya, kemudian dikembangkan lagi menjadi e-learning yang dipersonalisasi.

Kemajuan ini memberikan kesempatan bagi universitas, sekolah atau organisasi lain untuk terus bersihkan dan sesuaikan untuk memanfaatkan rapid kemajuan teknologi informasi dan komunikasi serta daya komputasi. Data menunjukkan bahwa penelitian di bidang e-learning, sangat dipersonalisasi, antara 2016 dan 2017 terus berlanjut meningkatkan. Hasilnya akan dibandingkan dengan hasil personalisasi model e-learning secara umum. Padahal sebagian besar lembaga pendidikan punya positif persepsi penggunaan sistem e-learning, masih ada sejumlah masalah dalam hal penyajian konten pembelajaran dan mengevaluasi kinerja peserta didik dengan ukuran yang sama untuk semua. Sementara setiap pelajar memiliki perbedaan dalam gaya belajar,kemampuan, pengalaman belajar, dan latar belakang.

Banyak upaya dilakukan oleh para peneliti untuk mengembangkan model dengan teknik dan alat untuk meningkatkan kualitas e-learning. Misalnya lewat yang dikemukakan cerdas dan adaptif metode pembelajaran untuk melayani peserta didik secara adil, dan juga menghargai keunikan setiap individu pembelajar. Instruktur melayani, siswa dilayani. Kekuatan dan kelemahan pelajar dinilai, kemudian instruktur membuat keputusan terbaik dalam menyusunnya konsep pembelajaran.

Dalam konteks e-learning yang dipersonalisasi, membuat file model lingkungan belajar pribadi yang semakin kompleks. Ini berkaitan dengan manusia sebagai subjek pembelajaran, sehingga melibatkan berbagai disiplin ilmu.  Model Gaya Belajar dan Fuzzy, konsep pemetaan dan struktur, psikologi dan lainnya yang terkait teknik dengan data mining dan ontologi. Itu sangat bergantung tujuan pengembangan model berdasarkan satu atau lebih perspektif yang ingin dicapai. Tantangan menciptakan Model e-learning yang dipersonalisasi adalah untuk menyatukan teori, teknik dan alat di satu platform. Untuk mencapai tujuan tersebut perlu didukung oleh landasanyang valid, teori dan didukung oleh teknik atau alat sebagai puasa dan alat pengolah yang tepat. Selanjutnya dalam penelitian ini ada Tiga tema utama yang menjadi pertanyaan penelitian. Pertama, ‘komponen umum apa untuk membangun e-learning yang dipersonalisasi model?’ Kedua, ‘alat apa yang umumnya digunakan untuk memproses interaksi antara pelajar dan konten yang dipersonalisasi belajar’.

Proses tinjauan pustaka dilakukan dalam penelitian ini terdiri dari beberapa langkah. Pertama, tetapkan sumber penelitian artikel dan kata kunci pencarian. Ada juga sumber artikel penelitian yang dicari adalah IEEE, Google Scholar,Science Direct, Emerald, Springer dan ACM. Selagi Penentuan kata kunci dilakukan dengan kombinasi Boolean ‘DAN’ dan ‘ATAU’ opeartor untuk menemukan pencarian yang relevan dengan penelitian pertanyaan. Operator ‘DAN’ umumnya menyiapkan berbeda kata kunci, sedangkan ‘ATAU’ sering digunakan untuk memastikan kata atau terminologi istilah. Misalnya (e-learning ATAU online pembelajaran, ATAU model kerangka kerja, personalisasi ATAU adaptif). Kedua, calon Makalah dipilih berdasarkan judul dan pencarian abstrak terkait ke e-learning dan padanannya, model atau arsitektur atau kerangka kerja dan personalisasi. Ketiga, atur artikel yang dipilih berdasarkan pencarian latar belakang, kemudian membaca konten dan diskusi secara detail untuk memahami lebih dalam. Berdasarkan temuan ini, penulis akan mempelajari lebih lanjut dan dianggap sebagai dasar platform untuk mengusulkan atau mengembangkan yang baru dan dipersonalisasi model e-learning.

Mekanisme pencarian dan pengumpulan makalah dilakukan melalui tiga tahap. Pertama, kunjungi satu per satu sumber yang ditentukan database literatur dan masukkan kata kunci pencarian lengkap dengan sinonim. Makalah yang ditemukan dimasukkan ke dalam “Studi Ditemukan” kategori. Kedua, baca judul dan abstrak untuk menyaring informasi terkait dengan pertanyaan penelitian. Hasilnya dimasukkan ke dalam file Kategori “Studi Kandidat”. Ketiga, baca pendahuluan dan isi keseluruhan makalah menurut penelitian pertanyaan. Hasil akhirnya disimpan sebagai kategori “Dipilih Studi”.

Jumlah makalah yang direview sejak tahap pertama sebanyak 209 dokumen. Kemudian pada tahap kedua disaring menjadi 83 kertas berdasarkan judul dan abstrak. Selanjutnya pada tahap terakhir memilih 27 makalah yang benar-benar terkait langsung dengan penelitian pertanyaan untuk mengeksplorasi konten dan diskusi untuk menjawab pertanyaan penelitian.

Tujuan dilakukannya studi pustaka dalam penelitian ini adalah mengidentifikasi kriteria umum model atau pembelajaran kerangka kerja e-learning yang dipersonalisasi. Pertama, kriteria Anda ingin tahu terdiri dari komponen umum yang membentuk dasar untuk menentukan aspek personalisasi. Kedua, mengidentifikasi teknik atau alat yang digunakan untuk menentukan jalur pembelajaran yang direkomendasikan agar sesuai dengan tujuan dan kebutuhan pelajar. Ketiga, latar belakang teori pembelajaran yang digunakan.

Tema yang disajikan dalam artikel ini adalah (1) kecenderungan “Studi Terpilih” seperti sumber dan tahun publikasi, jenis (jurnal / konferensi), (2) kecenderungan penggunaan komponen yang digunakan untuk menentukan personalisasi pembelajaran, dan (3) teknik yang digunakan untuk menentukan jalur yang direkomendasikan.

Berdasarkan tinjauan pustaka, karakteristik dari pelajar adalah komponen utama yang menjadi isu utama dan tujuan menciptakan lingkungan belajar yang dipersonalisasi. Sedangkan setiap peserta didik adalah pribadi yang unik dan kompleks. Melibatkan disiplin ilmu psikologi dan pedagogis. Banyak peneliti telah mengusulkan model pembelajaran yang dipersonalisasi. Tapi tantangan yang dihadapi adalah mengeksplorasi aspek personal dari karakteristik peserta didik yang berbeda. Beberapa mengusulkan Felder-Pendekatan Silverman Learning Model untuk mengekstrak gaya belajar.Karena banyak elemen yang terlibat, parameter pribadi yang dibahas adalah dikelompokkan menjadi lima kategori. Selanjutnya dalam penelitian ini disebut sebagai komponen atau parameter atau umum karakteristik pembelajaran e-learning dipersonalisasi.

Dalam penelitian ini selain mengenal ciri-ciri atau komponen personalisasi,teknik yang digunakan juga perlu dilihat dalam kaitannya dengan personalisasi berbasis e-learning komponen. Hasil penelitian menunjukkan bahwa teknik yang digunakan berbeda. Bagaimanapun kebanyakan digunakan teknik ontologi, sedangkan yang lain menggunakan teknik itu bervariasi dari pendekatan dimensi data mining.

Kajian ini memiliki dua implikasi yaitu teori dan praktek. Pertama, berdasarkan temuan yang didapat, akan digunakan sebagai referensi penelitian e-learning learning yang dipersonalisasi. Kedua, temuan umumnya akan berfungsi sebagai platform utama seperti komponen umum atau karakteristik utama peserta didik, penggunaan teknik atau alat dan teori pembelajaran digunakan sebagai platform utama untuk mendukung pengembangan model e-learning yang dipersonalisasi. Secara umum makalah penelitian ini telah berhasil diidentifikasikan kriteria utama sesuai dengan pertanyaan penelitian yang mana menjadi pijakan dalam pengembangan personal model model e-learning selanjutnya.

Rumusnya, 27 makalah terpilih telah diperoleh dari 209 makalah yang ditinjau. Hasilnya menunjukkan bahwa e-learning pembelajaran umumnya memiliki yang pertama, “gaya belajar” yaitu sub komponen “kepribadian” memiliki persentase 59%, sedangkan “kepentingan” memiliki keterlibatan paling sedikit 33%. Kedua, file alat yang banyak digunakan adalah teori gaya belajar “FSLSM” dari 22%, diikuti oleh “BT” dari 7%. Sedangkan yang ketiga, teknik yang digunakan adalah kombinasi dari text mining, data mining dan ontologi. Namun, teknik lain masih dipelajari secara mendalam dan diuji validitasnya.

Model pembelajaran elektronik yang dipersonalisasi menemukan yang terbaik tantangan untuk memenuhi justru yang paling unik dan kompleks sifat pelajar. Seiring dengan perkembangan teknologi dan kecepatan komputasi yang berkembang, model e-learning yang dipersonalisasi yang mampu melayani secara intuitif mengelola faktor utama manusia dari berbagai parameter seperti gaya belajar, perasaan, budaya dan latar belakang budaya untuk menampung dan mempromosikan pembelajaran yang dipersonalisasi. Berdasarkan teori, model, dan alat, perlu ada pertimbangan dan pertimbangan yang cukup studi mendalam tentang model interaksi e-learning yang dipersonalisasibelajar melalui pendekatan multi-agen. Pendekatan ini membutuhkan peran sistem yang secara cerdas memonitor perkembangan peserta didik melalui perilaku online yang dievaluasi. Proposal penelitian selanjutnya adalah mengembangkan sistem yang mampu secara otomatis menghasilkan keputusan kepada sekelompok peserta didik yang memiliki karakteristik tertentu tentang apa yang harus dilakukan selanjutnya, melalui kombinasi penambangan teks, penambangan data, dan kumpulan data: pelatihan, validasi dan pengujian dalam model e-learning yang dipersonalisasi.

Buku Bacaan

[1] S. Wan and Z. Niu, “A learner oriented learning recommendation
approach based on mixed concept mapping and immune algorithm,”
Knowledge-Based Syst., vol. 103, pp. 28–40, 2016.
[2] K. A. Laksitowening and Z. A. Hasibuan, “Personalized e-learning
architecture in standard-based education,” Proc. – 2015 Int. Conf. Sci.
Inf. Technol. Big Data Spectr. Futur. Inf. Econ. ICSITech 2015, pp.
110–114, 2016.
[3] L. Al-Rajhi, R. Salama, and S. Gamalel-Din, “Personalized Intelligent
Assessment Model for Measuring Initial Students Abilities,” Proc.
2014 Work. Interact. Des. Educ. Environ. – IDEE ’14, pp. 41–48, 2014.
[4] T. Oktavia and H. Prabowo, “The General Components of e-Learning
Framework for Higher Institution: A Systematic Literature Review.”
[5] A. Q. Alhamad, “Management System ( LMS ) Using Online Quizzes,”
pp. 1–4, 2012.
[6] N. Saberi and G. A. Montazer, “Evaluation based on personalization
using optimized FIRT and MAS framework in engineering education in
e-learning environment,” 4th Int. Conf. e-Learning e-Teaching,
ICELET 2013, pp. 117–120, 2013.
[7] R. Rollande and J. Grundspenkis, “ScienceDirect Personalized
Planning of Study Course Structure Using Concept Maps and Their
Analysis,” Procedia Comput. Sci., vol. 104, no. December 2016, pp.
152–159, 2017.
[8] H. Y. Jeong, C. R. Choi, and Y. J. Song, “Personalized Learning
Course Planner with E-learning DSS using user profile,” Expert Syst.
Appl., vol. 39, no. 3, pp. 2567–2577, 2012.
[9] R. Noor and F. A. Khan, “Personalized recommendation strategies in
mobile educational systems,” 2016 6th Int. Conf. Innov. Comput.
Technol. INTECH 2016, pp. 435–440, 2017.
[10] T. Feng, Z. Qinghua, G. Zhiyong, D. Jin, and L. Renhou, “Personalized
Learning Strategies in an intelligent e-Learning Environment,” Comput.
Support. Coop. Work Des. 2007. CSCWD 2007. 11th Int. Conf., pp.
973–978, 2007.
[11] V. Caputi and A. Garrido, “Student-oriented planning of e-learning
contents for Moodle,” J. Netw. Comput. Appl., vol. 53, pp. 115–127,
2015.
[12] N. Jyothi, K. Bhan, U. Mothukuri, S. Jain, and D. Jain, “A recommender system assisting instructor in building learning path for
personalized learning system,” Proc. – 2012 IEEE 4th Int. Conf.
Technol. Educ. T4E 2012, pp. 228–230, 2012.
[13] S. Ouf, M. Abd Ellatif, S. E. Salama, and Y. Helmy, “A proposed
paradigm for smart learning environment based on semantic web,”
Comput. Human Behav., vol. 72, pp. 796–818, 2017.
[14] O. Bourkoukou, E. ElBachari, and M. ElAdnani, “A Recommender
Model in E-learning Environment,” Arab. J. Sci. Eng., vol. 42, no. 2,
pp. 607–617, 2017.
[15] D. Syarif and S. Sahid, “Modeling the Flow Experience for
Personalized Context Aware E-learning,” 2016.
[16] P. Nedungadi and R. Raman, “A new approach to personalization:
Integrating e-learning and m-learning,” Educ. Technol. Res. Dev., vol.
60, no. 4, pp. 659–678, 2012.
[17] C. F. Lin, Y. C. Yeh, Y. H. Hung, and R. I. Chang, “Data mining for
providing a personalized learning path in creativity: An application of
decision trees,” Comput. Educ., vol. 68, pp. 199–210, 2013.

[18] A. Kla??nja-Mili??evi??, B. Vesin, M. Ivanovi??, and Z. Budimac, “E- Learning personalization based on hybrid recommendation strategy andlearning style identification,” Comput. Educ., vol. 56, no. 3, pp. 885–
899, 2011.
[19] C. Wang, Z. Wang, and Q. Li, “Study of the E-learning system based
on the personalized knowledge search,” Proc. 8th Int. Conf. Comput.
Sci. Educ. ICCSE 2013, no. Iccse, pp. 592–598, 2013.
[20] “Analysis of data mining techniques applied to LMS for personalized
education,” 2017.
[21] G. Lepouras, A. Katifori, C. Vassilakis, A. Antoniou, and N. Platis,
“Towards a learning analytics platform for supporting the educationalprocess,” IISA 2014 – 5th Int. Conf. Information, Intell. Syst. Appl., no.page 2, pp. 246–251, 2014.
[22] M. Joshi and R. Vaidya, “A review of paradigm shift from conventional
to personalized e-learning,” Proc. 2013 Int. Conf. Adv. Comput.