Keresahan itu mendorong lulusan program doktoral Departemen Teknik Elektro Institut Teknologi Sepuluh Nopember (ITS), Dr Bruri Trya Sartana SKom MM MKom, mengembangkan model sistem peringatan dini berbasis data perilaku belajar mahasiswa.
Fokusnya jelas: mendeteksi risiko akademik sebelum mahasiswa memasuki fase evaluasi akhir.
Bruri menjelaskan, sistem pembelajaran daring yang mengandalkan Learning Management System (LMS) sesungguhnya menyimpan jejak digital yang kaya.
Aktivitas akses materi, intensitas interaksi, hingga pola penyelesaian tugas membentuk pola perilaku yang bisa dianalisis. Namun, dalam praktiknya, banyak institusi masih memusatkan evaluasi pada skor akhir.
“Evaluasi yang hanya memanfaatkan nilai akhir kurang efektif dalam membaca keberhasilan belajar secara utuh,” ujarnya.
Dosen Fakultas Teknologi Informasi Universitas Budi Luhur itu menekankan bahwa risiko akademik bersifat multidimensional.
Tidak semata soal capaian angka, tetapi juga keterlibatan belajar, stabilitas performa asesmen, kecenderungan prokrastinasi, hingga variabel demografis yang turut memengaruhi probabilitas kegagalan.
Dalam risetnya, Bruri menggunakan pendekatan machine learning non-linear untuk memodelkan hubungan antara variabel perilaku belajar dan risiko akademik.
Dataset utama yang dipakai adalah Open University Learning Analytics Dataset (OULAD), kemudian divalidasi menggunakan data LMS Moodle institusional agar kontekstual dengan kebutuhan pendidikan di Indonesia.
Ia memilih model Categorical Boosting atau CatBoost, dipadukan dengan optimasi hiperparameter melalui framework Optuna.
Untuk menjaga reliabilitas, evaluasi dilakukan dengan metode 5-fold stratified cross validation. Skema ini memastikan distribusi data tetap seimbang dalam setiap lipatan pengujian sehingga meminimalkan bias.
Hasilnya, model CatBoost menunjukkan performa paling unggul dibandingkan sejumlah model pembanding.
Indikatornya tampak pada nilai Area Under Curve (AUC), tingkat akurasi, serta konsistensi hasil di tiap tahap validasi. Model tersebut mampu mengidentifikasi mahasiswa berisiko bahkan sebelum memasuki periode ujian akhir.
Tak berhenti pada aspek teknis, Bruri merancang sistem peringatan dini berbasis rentang waktu. Mekanisme deteksi dibagi dalam tiga horizon: jangka pendek, menengah, dan panjang.
Pada fase jangka pendek, sistem membaca sinyal awal seperti penurunan frekuensi akses materi atau keterlambatan pengumpulan tugas.
Tahap jangka menengah memantau stabilitas performa asesmen dan konsistensi capaian akademik. Sementara pada jangka panjang, model memproyeksikan potensi keterlambatan kelulusan berdasarkan akumulasi perilaku dan performa yang terekam sejak awal.
Pendekatan ini memperlihatkan bahwa integrasi data LMS dengan machine learning non-linear tidak hanya bersifat eksperimental, tetapi dapat diterjemahkan menjadi instrumen kebijakan akademik yang operasional.
Dalam konteks yang lebih luas, riset tersebut selaras dengan agenda Tujuan Pembangunan Berkelanjutan atau SDGs poin keempat tentang pendidikan berkualitas, dengan menempatkan data sebagai fondasi pengambilan keputusan dalam ekosistem pembelajaran digital.
