ISSN 2087-2658

Prosiding Seminar Nasional Pendidikan Teknik Informatika

(SENAPATI) Ke-8
Bali, 09 September 2017

Inovasi Teknologi dalam Pendidikan melalui Big

Data Analytic dan Personalized Learning
Ketut Agustini
Pendidikan Teknik Informatika FTK
Universitas Pendidikan Ganesha
ketut.agustini@undiksha.ac.id

Abstrak—Pemanfaatan Learning Management Sistem
(LMS) semakin menjadi trends di dunia pendidikan. Trends ini
melahirkan ledakan data di Perguruan Tinggi yang menjadi
inovasi baru bagi dunia pendidikan yaitu Big Data. Data-data
digital dalam jumlah besar tersebut akan memberikan
informasi apa yang mahasiswa dan akademisi lihat dan baca,
prilaku dan keterlibatan mahasiswa, assesment, motivasi dan
prefensi mereka, sehingga menyediakan sejumlah besar data
yang dapat ditambang untuk pengalaman pembelajaran. Value
big data terletak pada hasil analisis dan prediksi atau tindakan
yang diambil dari hasil analisis dan prediksi tersebut. Tulisan
ini menyajikan sekilas mengenai teori belajar di era digital, big
data Personalized Learning, serta penggunaan big data analytic
di dunia pendidikan. Dengan memanfaatkan hasil analisis big
data di perguruan tinggi maka dapat diperoleh wawasan yang
lebih tentang mahasiswa, akademisi, dan proses di perguruan
tinggi sehingga mendukung analisis prediksi dan peningkatan
pengambilan keputusan berdasarkan data yang pada akhirnya
dapat membantu meningkatkan kinerja keberhasilan
mahasiswa dan Institusi.
Kata kunci: LMS, data digital, big data personalized
learning, big data analytic.
I. PENDAHULUAN
Pembelajaran awalnya dimulai di ruang kelas didasarkan
pada tiga model yaitu model Behaviorisme, kognitifisme dan
konstruktivisme. Model behaviorisme bergantung pada
perubahan yang dapat diamati pada perilaku siswa untuk
menilai hasil belajar. Model kognitifisme didasarkan pada
keterlibatan aktif guru dalam pembelajaran berbasis kognisi
atau kemampuan berpikir. Sedangkan dalam model
konstruktivisme, siswa harus aktif belajar sendiri dari
pengetahuan yang tersedia bagi mereka.
Saat ini, yang merupakan era digital, telah berkembang
teori baru yang disebut dengan connectivisme. Teori
connectivisme, diperkenalkan pertama kali oleh George
Siemens, dimana teori ini mengintegrasikan prinsip-prinsip
yang digali melalui teori chaos, network, kompleksitas dan
self organizing [1]. Di dalam teori ini, pembelajaran
merupakan suatu proses yang terjadi di dalam lingkungan
perubahan dimana inti pembelajaran tidak sepenuhnya dalam
kendali seorang individu. Menurut teori connectivisme,
kegiatan pembelajaran dimulai dari kegiatan mengetahui
sampai dengan kegiatan menciptakan pengetahuan yang dapat
dilakukan (actioneble knowledge). Sejak itu, lingkungan
belajar tradisional telah berangsur-angsur bermutasi menjadi
community based learning environments.
Penelitian di bidang pendidikan berkaitan dengan
pedagogik telah mengalami peningkatan. Hal ini ditunjukkan
dari meningkatnya community based learning environments
yang ada, seperti lingkungan belajar secara online yaitu
adanya forum, online chat, instant messenger dan beragam
learning management system (LMS). Data dari elearning
industry melaporkan bahwa 78% organisasi telah menerapkan
Learning Management System (LMS) dan 100 % organisasi
tersebut telah merasakan manfaat dari elearning [2]. Manfaat
elearning juga telah dirasakan dunia pendidikan di Indonesia,
dalam mendukung pelaksanaan kurikulum 2013 yang
menuntut siswa untuk selalu berpartisipasi aktif dalam
pembelajaran. Hal ini sesuai dengan hakekat dari elearning
yaitu pembelajaran individual dan kebiasaan untuk belajar,
dimana peran terpenting terletak pada siswa. Aspek utama
yang menjadi pertimbangan dalam desain pembelajaran dan
pengembangan elearning adalah perilaku siswa [3]. Cara ini
memberikan jaminan bahwa elearning dapat memberikan
pengalaman belajar yang maksimal bagi siswa, meningkatkan
retensi siswa dan memastikan bahwa setiap komponen yang
terkait mendukung tercapainya tujuan pembelajaran dan
sesuai dengan karakteristik siswa.
Namun, elearning yang ada saat ini, belum sepenuhnya
menerapkan sistem elearning sebagai model Learning
Management System (LMS). Semua sumber belajarnya
belum terkelola dengan baik sehingga terkadang beresiko
terjadinya lost in space dalam mempelajari materi dan masih
berorientasi kelas. Disamping itu juga elearning tersebut
kurang memfokuskan pada karakteristik siswa. Peran
elearning masih hanya mengedepankan penyampaian
(delivery) konten materi pembelajaran dengan
mengasumsikan semua pengguna sama, tanpa
mempertimbangkan aspek kognitif (knowledge ability),
motivasi yang diperoleh dari pengalaman belajar individual
dan gaya belajar (learning style). Dalam kebanyakan sistem
elearning (konvensional), disajikan hanya materi yang sesuai
untuk siswa yang homogen, sangat siap dan termotivasi, tetapi
ketika sistem tersebut disajikan untuk siswa yang beragam
maka akan menjadi masalah. Seperti yang dikemukakan oleh

10 Penyelenggara : Jurusan Pendidikan Teknik Informatika, Fakultas Teknik dan Kejuruan,

Universitas Pendidikan Ganesha,
Jl. Udayana Kampus Tengah, Singaraja – Bali,
Telp. (0362) 27213, http://pti.undiksha.ac.id/senapati

Prosiding Seminar Nasional Pendidikan Teknik Informatika
[4] bahwa “ Most e-Learning systems provide web-based
learning so that students can access the same online courses
via the Internet without adaptation, based on each student's
profile and behavior. In an e-Learning system, one size does
not fit all”. Content learning yang ditujukkan untuk siswa
kelompok tertentu tidak akan cocok untuk siswa lainnya,
karena setiap siswa memiliki motivasi belajar, tingkat
pengetahuan, gaya belajar serta kompetensi yang berbeda.
Sehingga, elearning yang ada masih belum bisa menjamin
transformasi pembelajaran atau kelancaran penerapan
pembelajaran itu sendiri, dan keefektifan pembelajaran
menjadi kurang optimal. Kehadiran sistem elearning yang
diharapkan mampu meningkatkan intensitas belajar mandiri
justru belum bisa menunjukkan peran pentingnya. Untuk itu
diperlukan sebuah sistem elearning yang dinamis berorentasi
pada model karakteristik siswa.
II. BIG DATA PERSONALIZED LEARNING
Personalized learning atau sering disebut sebagai Adaptif
eLEarning (AdeLE) menjadi sebuah solusi yang tepat
terhadap keterbatasan elearning yang ada saat ini [5].
Personalisasi learning merupakan sebuah pendekatan baru
yang akan menjadi trends dan fashion sebagai metode
learning yang inovatif di tahun-tahun berikutnya, seperti yang
diungkapkan oleh [6] bahwa “Personalized Learning is a new
approach that can make an e-Learning system more effective
by adapting the presentation of information and overall
linkage structure to individual users in accordance with their
knowledge and behavior”. Sejalan dengan [7] yang
menyatakan bahwa kunci trends elearning di tahun berikutnya
adalah automation, augmented learning, , going for cloud,
gamification, mlearning, Big data serta personalization
dimana, “e-learning becoming more personalized than ever
and addressing the needs, preferences and requirements of
individuals rather than groups. All aspects of learning ranging
from pedagogy and learning environments to learning tools
and course curricula will be tailored to motivate, engage and
inspire learners to achieve better results in a shorter time
frame”.
Pada Personalized Learning, dapat memberikan materi
pembelajaran yang tingkat kesulitannya sesuai dengan
kemampuan pengguna, dan cara mempresentasikan materi
pembelajarannya sesuai dengan gaya belajar pengguna.
Dengan kata lain, sistem personalized learning dapat
mengadaptasikan tampilannya terhadap berbagai variasi
karakteristik pengguna sehingga mempunyai efektifitas
pembelajaran yang tinggi. Implementasi dari sistem
personalized learning pada sebuah Institusi, akan
mendapatkan kumpulan data pengguna yang berukuran besar
(volume), sangat cepat berubah/bertumbuh (velocity), yang
bisa hadir dalam beragam bentuk/format (variety), serta
memiliki nilai tertentu (value), dengan (catatan) diperoleh dari
sumber yang akurat (veracity). Jenis data dengan atribut
tersebut dikenal sebagai Big Data.
Penyelenggara : Jurusan Pendidikan Teknik Informatika, Fakultas Teknik dan Kejuruan,
Universitas Pendidikan Ganesha,
Jl. Udayana Kampus Tengah, Singaraja – Bali,
Telp. (0362) 27213, http://pti.undiksha.ac.id/senapati
ISSN 2087-2658
(SENAPATI) Ke-8
Bali, 09 September 2017
Evolusi dalam teknologi pendidikan saat ini mengarah kepada
big data personalized learning yang sebenarnya merupakan
perkembangan dari adaptive elearning (AdeLE). Pergeseran
paradigma pada era ini adalah “education is smart and
personal” dengan implementasi big data personalized
learning, seperti Gambar 1.
Gambar 1. Evolution of Technology in Education
Pergeseran paradigma tersebut memunculkan lingkungan
belajar baru, dimana siswa dapat mengakses course kapanpun
dimanapun dan menikmati aktivitas belajar. Kegiatan siswa
melalui sistem manajemen pembelajaran menciptakan
sejumlah besar data yang dapat dimanfaatkan dalam
pengembangan lingkungan belajar, membantu siswa dalam
belajar dan meningkatkan keseluruhan pengalaman belajar.
Selain data yang tersedia dari kegiatan kemahasiswaan, data
juga diciptakan oleh lembaga pendidikan yang menggunakan
aplikasi untuk mengelola mata kuliah, kelas dan siswa. Data-
data digital dalam jumlah banyak tersebut meninggalkan
tentang apa yang siswa dan akademisi lihat, apa yang mereka
baca, keterlibatan dan perilaku mereka, penilaian, maupun
tentang kepentingan dan preferensi mereka sehingga
menyediakan sejumlah besar data yang dapat ditambang
untuk pengalaman pembelajaran. Dengan sejumlah data besar
tersebut, teknik pemrosesan tradisional tidak dapat digunakan
untuk mengolahnya. Keterbatasan aplikasi pengolahan data
konvensional, menyebabkan institusi pendidikan mulai
mengeksplorasi teknologi "Big Data" untuk memproses data
pendidikan.
Istilah “big data” merujuk pada sekumpulan data yang sangat
besar dan sangat kompleks sehingga aplikasi konvensional
tidak memadai untuk mengolahnya [8]. Istilah ini juga
mengacu pada alat dan teknologi yang digunakan untuk
menangani "Big Data". Contoh big data mencakup jumlah
data yang dibagikan di internet setiap hari, video YouTube,
twitter feeds dan data graphic position sistem dan sebagainya.
Dalam beberapa tahun terakhir, data yang dihasilkan dari
lingkungan belajar juga mulai cukup besar sehingga
meningkatkan kebutuhan akan teknologi Big Data untuk
menanganinya. Sejak tahun 2010 istilah “big data” merupakan
trending topik di dunia IT dan pembelajaran. Perkembangan
jenis dan volume data yang terus meningkat secara
berlipatlipat di dunia maya merupakan fakta yang tidak dapat
11

Prosiding Seminar Nasional Pendidikan Teknik Informatika
dipungkiri. Era Teknologi Informasi dan Komunikasi akan
terus berkembang sesuai dengan perkembangan teknologi saat
ini. Menurut Gartner, big data memiliki tiga atribut, yaitu
volume, variety, dan velocity. Lebih lanjut lagi, berdasarkan
riset yang dilakukan oleh IBM, ketiga komponen big data
tersebut di atas ditambah dengan komponen veracity dan
value. Kelima komponen/atribut big data ditunjukkan seperti
Gambar 2.
Gambar 2. Atribut big data
Pada saat ini sedang berkembang dimana arus/kecepatan
berbagai jenis data (velocity) benar-benar tinggi dan cepat,
sehingga menghasilkan data yang amat besar (volume)
dengan variasi yang tinggi (variety). Era seperti inilah yang
disebut dengan Era Big Data. Volume berkaitan dengan
ukuran data. Variety berarti tipe atau jenis data, yang meliputi
berbagai jenis data baik data yang telah terstruktur dalam
suatu database maupun data yang tidak terorganisir dalam
suatu database seperti halnya data teks pada web pages, data
suara, video, click stream, log file dan lain sebagainya.
Velocity dapat diartikan sebagai kecepatan dihasilkannya
suatu data dan seberapa cepat data itu harus diproses agar
dapat memenuhi permintaan pengguna. Veracity berkaitan
dengan keakuratan data yang diperoleh. Sedangkan ,Value
dapat dikaitkan dengan nilai dari data tersebut. Data dianggap
bernilai jika memiliki arti penting bagi pengguna.
A. Penanganan melalui Big data
Menurut [9] ada beberapa case yang mampu di tangani
melalui big data, yaitu,
1) Storage
Kapasitas hard disk yang ada saat ini sudah menjangkau
terabyte, sedangkan arus data yang hilir mudik di dunia
internet sudah mencapai exabyte. Walaupun data yang
dihasilkan dari dunia pendidikan tidak sebesar data melalui
internet, namun data tersebut sudah cukup besar dan akan
12 Penyelenggara : Jurusan Pendidikan Teknik Informatika, Fakultas Teknik dan Kejuruan,
Universitas Pendidikan Ganesha,
Jl. Udayana Kampus Tengah, Singaraja – Bali,
Telp. (0362) 27213, http://pti.undiksha.ac.id/senapati
ISSN 2087-2658
(SENAPATI) Ke-8
Bali, 09 September 2017
menjadi bertambah besar kedepannya. Tradisional RDBMS
tidak mampu menyimpan dan memproses data jenis tersebut.
Untuk mengatasi hal tersebut digunakan database yang tidak
menggunakan query tradisional SQL (NoSQL). Teknik
kompresi digunakan juga untuk mengkompresi data dalam
kondisi rest dan didalam memori.
2) Analysis
Sebagai data yang memiliki beragam type dilihat dari segi
struktur dan ukuran data yang juga besar, dalam menganalisis
data akan memerlukan banyak waktu dan sumberdaya. Untuk
mengatasi hal tersebut, sketsa arsitektur digunakan untuk
mengolah data secara terdistribusi. Data dibagi menjadi
beberapa bagian kecil dan diproses dalam sejumlah besar
komputer yang tersedia di seluruh jaringan dan data yang
diproses digabungkan.
3) Laporan (reporting)
Sebuah laporan yang dibuat biasanya melibatkan tampilan
data statistik berupa angka. Ketika sejumlah besar data
dilibatkan, laporan tersebut menjadi sulit untuk ditafsirkan
oleh pembaca. Dalam kasus tersebut, laporan harus diwakili
dalam bentuk yang dapat dikenali dengan mudah dengan
melihat ke dalamnya. Teknologi Big Data dalam mengatasi
tantangan tersebut menggunakan berbagai teknik diantaranya
regresi, clustering, classification dan nearest neighbor.
B. Aplikasi big data dalam pembelajaran
Teknik big data dapat digunakan dengan berbagai cara
dalam menganalisis pembelajaran seperti,
a. Performance Prediction : kinerja siswa dapat diprediksi
melalui analisis interaksi antar siswa dan interaksi siswa
dengan guru di dalam lingkungan belajarnya.
b. Attrition Risk Detection : dengan menganalisis prilaku
siswa, resiko siswa yang drop out dalam pembelajaran
dapat di deteksi dan diukur, dilakukan di awal
pembelajaran sehingga dapat meminimalkan resiko DO.
c. Data Visualization : report pada data pendidikan
ukurannya akan terus bertambah dan menjadi komplek.
Data dapat divisualisasikan menggunakan teknik
visualisasi untuk memudahkan mengidentifikasi trends
data dan hubungan antar data hanya dengan melihat
visualisasi reportnya.
d. Intelligent Feedback : sistem learning menyediakan
intelligent feedback yang merespon dengan segera input
siswa yang akan ditingkatkan interaksi dan kinerjanya.
e. Course Recommendation : sebuah course baru dapat
direkomendasikan berdasarkan ketertarikan siswa, yang
teridentifikasi dengan menganalisis aktivitas mereka.
Hal ini menjamin siswa tidak akan tersesat dalam
memilih bidang ilmu yang disenanginya.
f. Student Skill estimation : mengestimasi ketercapaian
skill siswa
 ISSN 2087-2658
Prosiding Seminar Nasional Pendidikan Teknik Informatika
(SENAPATI) Ke-8
Bali, 09 September 2017

g. Behavior Detection : mendeteksi prilaku siswa dalam
lingkungannya berbasis pada aktivitas dan games model
yang membantu dalam mengembangkan diri siswa.
h. Grouping & collaboration of Student, Social Network
Analysis, Developing concept maps, Constructing
courseware, dan Planning and scheduling.
C. Big Data Analytic
Big data analytic dapat digunakan untuk menganalisis
secara real time pengalaman mahasiswa yang dapat dihasilkan
dari aktivitas mahasiswa, seperti : registrasi perkuliahan,
pembayaran, partisipasi di kelas, belajar online, dan penilaian.
Penggunaan big data analytic di dunia pendidikan meliputi
learning analytic, academic analytic dan proses mining
[10][11].
Learning Analytic adalah melakukan analisis data
pembelajaran secara real time sehingga dapat digunakan
untuk memprediksi mahasiswa sukses dan mahasiswa yang
beresiko akademik. Dengan big data analytic di perguruan
tinggi dapat memberikan wawasan siswa yang beresiko putus
(dropping out) sehingga dapat dilakukan tindakan preventif
atau memberikan dukungan tambahan untuk meningkatkan
keberhasilan mereka, dan keyakinan, dalam proses
pembelajaran sebelum mereka benar-benar gagal (Reduce
Dropouts, Increase Results) [12]. Learning Analytic memiliki
potensi untuk membantu mahasiswa dan dosen bersama-sama
mengenali tanda-tanda bahaya sebelum ancaman terhadap
keberhasilan belajar terwujud. Learning Analytic
menyediakan tools, teknologi, dan platform untuk
memberdayakan pendidik serta membuka pintu pada
pengalaman belajar bermakna yang dapat melibatkan,
menginspirasi, dan mempersiapkan siswa saat ini dan masa
depan untuk sukses [11].
Academic analytic melakukan analisis terhadap kinerja
staff akademisi. Dengan academic analytic dapat dilakukan
analisis yang real time terhadap data-data yang merupakan
variable pengukuran kinerja akademisi sehingga dapat
diketahui staf-staf akademisi yang berprestasi maupun staf-
staf akademisi yang kinerjanya sangat kurang dibandingkan
dengan staf-staf akademisi lainnya.
Sedangkan Proses mining digunakan untuk menganalisis
secara real time proses bisnis di Perguruan Tinggi. Data-data
yang digunakan dapat diperoleh dari data log atau data
aktifitas dari mahasiswa, dosen, dan unit-unit terkait dengan
proses-proses dan aktivitas yang terjadi di Perguruan Tinggi
untuk kemudian dilakukan process analytic untuk
menemukan model proses bisnis baru. Namun process
analytic tidak terbatas pada proses penemuan proses bisnis
tapi juga memungkinkan untuk memeriksa kesesuaian,
mendeteksi penyimpangan, memprediksi penundaan,
mendukung pengambilan keputusan, dan merekomendasikan
desain ulang proses. Gambar 3 adalah rancangan penggunaan
big data analytic di sebuah Perguruan Tinggi yang dapat
digunakan sebagai referensi dalam mengembangkan sebuah
big data analytic kedepannya.
Gambar 3 menjelaskan bahwa rancangan yang diusulkan
untuk learning analytic, academic analytic, dan process
analytic melibatkan teknologi ETL untuk menarik data dari
beberapa sumber. Untuk learning analytic dapat
menggunakan sumber-sumber data dari data-data Student
Information System, Course Management, Online Education,
Student Assessment, dan data finance. Untuk proses academic
analytic dapat menggunakan sumber-sumber data dari data-
data Outcomes Assessment, Lecture Assessment, Staff
Assessment, Faculty Assessment, dan data Finance
Assessment. Sementara untuk process analytic dapat
menggunakan sumber-sumber data dari data-data log activity
dari proses Student Information System, Cource
Management, Online Education, Student Assessment, dan
data log activity dari proses finance. Student Assessment, dan
data finance. Data dari beberapa sumber tersebut kemudian
dikumpulkan dalam suatu gudang data (data warehouse)
untuk kemudian dianalisis dengan menggunakan teknologi
analisis dan prediksi yang real time, seperti : OnLine
Analytical Process (OLAP), Analytical Reporting Tools
(Business Intelligence), dan Data Mining/Predictive
Modelling. Hasil analisis dan prediksi akan ditampilkan
dalam bentuk Dashboard Analytic Presentation yang
diharapkan dapat mendukung peningkatan pengambilan
keputusan di perguruan tinggi dalam upaya meningkatkan
kinerja kerberhasilan mahasiswa dan institusi.
Gambar 3. Rancangan penggunaan big data analytic di PT
(adaptasi [10])
III. SIMPULAN
Teknologi big data yang menjadi trends saat ini sangat
bermanfaat dalam mendukung pengambilan keputusan
berbasis informasi dan data, dan sudah tentu harus didukung

Penyelenggara : Jurusan Pendidikan Teknik Informatika, Fakultas Teknik dan Kejuruan, 13

Universitas Pendidikan Ganesha,
Jl. Udayana Kampus Tengah, Singaraja – Bali,
Telp. (0362) 27213, http://pti.undiksha.ac.id/senapati
 ISSN 2087-2658
Prosiding Seminar Nasional Pendidikan Teknik Informatika
(SENAPATI) Ke-8
Bali, 09 September 2017

dengan kerjasama dari semua kontributor enterprise
pendidikan, baik itu mahasiswa, staf, dosen, administrator,
dan masyarakat sehingga memungkinkan untuk membuat
akuntabel keputusan yang efektif dan efisien serta dapat
meningkatkan kinerja keberhasilan mahasiswa dan institusi.
DAFTAR PUSTAKA
[1] G. Siemens, “Connectivism : A Learning Theory for the Digital Age,”
pp. 1–8, 2013.
[2] Roth, “Adaptive E-Learning Model For Enhancing Construction
Management Education,” no. Ramsden 2003, 2016.
[3] H. D. Surjono, “The Design of Adaptive E-Learning System based on
Student ’ s Learning Styles,” Int. J. Comput. Sci. Inf. Technol., vol. 2,
no. 5, pp. 2350–2353, 2011.
[4] V. S. L. Esichaikul;, C. Bechter, and Thammasat, “Student Modelling
in Adaptive E-Learning Systems Vatcharaporn Esichaikul * Supaporn
Lamnoi Clemens Bechter,” Knowl. Manag. E-Learning, vol. 3, no. 3,
pp. 342–355, 2011.
[5] K. Agustini, “The Adaptive eLearning System Design ; Student
Learning Style Trend Analysis,” in 2nd International Conference on
Innovative Research Across Disciplines (ICIRAD 2017), 2017, pp. 50–
54.
[6] M. C. Murray and J. Pérez, “Informing and performing: A study
comparing adaptive learning to traditional learning,” Informing Sci.,
vol. 18, no. 1, pp. 111–125, 2015.
[7] R. Eynon, “The rise of Big Data : what does it mean for education ,
technology , and media research ?,” vol. 9884, no. May, 2017.
[8] R. P. Santos, “Big Data : Philosophy , emergence , crowdledge , and
science education,” vol. 8, no. 2, pp. 115–127, 2015.
[9] K. Sin and L. Muthu, “Aplication Of Big Data In Education Data
Mining And Learning Analytic – A Literature Review,” vol. 6956, no.
July, pp. 1035–1049, 2015.
[10] T. Asniar, “Penggunaan Big Data Analytic di Perguruan Tinggi,” no.
February, pp. 1–5, 2015.
[11] B. Daniel, “Big Data and analytics in higher education: Opportunities
and challenges,” pp. 1–17, 2014.
[12] Saurabh, “Four Ways Big Data Will Revolutionize Education,” 2017.

14 Penyelenggara : Jurusan Pendidikan Teknik Informatika, Fakultas Teknik dan Kejuruan,

Universitas Pendidikan Ganesha,
Jl. Udayana Kampus Tengah, Singaraja – Bali,
Telp. (0362) 27213, http://pti.undiksha.ac.id/senapati