Abstrak—Pemanfaatan Learning Management Sistem sampai dengan kegiatan menciptakan pengetahuan yang dapat
(LMS) semakin menjadi trends di dunia pendidikan. Trends ini dilakukan (actioneble knowledge). Sejak itu, lingkungan
melahirkan ledakan data di Perguruan Tinggi yang menjadi belajar tradisional telah berangsur-angsur bermutasi menjadi
inovasi baru bagi dunia pendidikan yaitu Big Data. Data-data community based learning environments.
digital dalam jumlah besar tersebut akan memberikan
informasi apa yang mahasiswa dan akademisi lihat dan baca, Penelitian di bidang pendidikan berkaitan dengan
prilaku dan keterlibatan mahasiswa, assesment, motivasi dan pedagogik telah mengalami peningkatan. Hal ini ditunjukkan
prefensi mereka, sehingga menyediakan sejumlah besar data dari meningkatnya community based learning environments
yang dapat ditambang untuk pengalaman pembelajaran. Value yang ada, seperti lingkungan belajar secara online yaitu
big data terletak pada hasil analisis dan prediksi atau tindakan adanya forum, online chat, instant messenger dan beragam
yang diambil dari hasil analisis dan prediksi tersebut. Tulisan learning management system (LMS). Data dari elearning
ini menyajikan sekilas mengenai teori belajar di era digital, big industry melaporkan bahwa 78% organisasi telah menerapkan
data Personalized Learning, serta penggunaan big data analytic Learning Management System (LMS) dan 100 % organisasi
di dunia pendidikan. Dengan memanfaatkan hasil analisis big tersebut telah merasakan manfaat dari elearning [2]. Manfaat
data di perguruan tinggi maka dapat diperoleh wawasan yang elearning juga telah dirasakan dunia pendidikan di Indonesia,
lebih tentang mahasiswa, akademisi, dan proses di perguruan dalam mendukung pelaksanaan kurikulum 2013 yang
tinggi sehingga mendukung analisis prediksi dan peningkatan
menuntut siswa untuk selalu berpartisipasi aktif dalam
pengambilan keputusan berdasarkan data yang pada akhirnya
pembelajaran. Hal ini sesuai dengan hakekat dari elearning
dapat membantu meningkatkan kinerja keberhasilan
mahasiswa dan Institusi.
yaitu pembelajaran individual dan kebiasaan untuk belajar,
dimana peran terpenting terletak pada siswa. Aspek utama
Kata kunci: LMS, data digital, big data personalized yang menjadi pertimbangan dalam desain pembelajaran dan
learning, big data analytic. pengembangan elearning adalah perilaku siswa [3]. Cara ini
memberikan jaminan bahwa elearning dapat memberikan
pengalaman belajar yang maksimal bagi siswa, meningkatkan
I. PENDAHULUAN
retensi siswa dan memastikan bahwa setiap komponen yang
Pembelajaran awalnya dimulai di ruang kelas didasarkan terkait mendukung tercapainya tujuan pembelajaran dan
pada tiga model yaitu model Behaviorisme, kognitifisme dan sesuai dengan karakteristik siswa.
konstruktivisme. Model behaviorisme bergantung pada
perubahan yang dapat diamati pada perilaku siswa untuk Namun, elearning yang ada saat ini, belum sepenuhnya
menilai hasil belajar. Model kognitifisme didasarkan pada menerapkan sistem elearning sebagai model Learning
keterlibatan aktif guru dalam pembelajaran berbasis kognisi Management System (LMS). Semua sumber belajarnya
atau kemampuan berpikir. Sedangkan dalam model belum terkelola dengan baik sehingga terkadang beresiko
konstruktivisme, siswa harus aktif belajar sendiri dari terjadinya lost in space dalam mempelajari materi dan masih
pengetahuan yang tersedia bagi mereka. berorientasi kelas. Disamping itu juga elearning tersebut
kurang memfokuskan pada karakteristik siswa. Peran
Saat ini, yang merupakan era digital, telah berkembang elearning masih hanya mengedepankan penyampaian
teori baru yang disebut dengan connectivisme. Teori (delivery) konten materi pembelajaran dengan
connectivisme, diperkenalkan pertama kali oleh George mengasumsikan semua pengguna sama, tanpa
Siemens, dimana teori ini mengintegrasikan prinsip-prinsip mempertimbangkan aspek kognitif (knowledge ability),
yang digali melalui teori chaos, network, kompleksitas dan motivasi yang diperoleh dari pengalaman belajar individual
self organizing [1]. Di dalam teori ini, pembelajaran dan gaya belajar (learning style). Dalam kebanyakan sistem
merupakan suatu proses yang terjadi di dalam lingkungan elearning (konvensional), disajikan hanya materi yang sesuai
perubahan dimana inti pembelajaran tidak sepenuhnya dalam untuk siswa yang homogen, sangat siap dan termotivasi, tetapi
kendali seorang individu. Menurut teori connectivisme, ketika sistem tersebut disajikan untuk siswa yang beragam
kegiatan pembelajaran dimulai dari kegiatan mengetahui maka akan menjadi masalah. Seperti yang dikemukakan oleh
[4] bahwa “ Most e-Learning systems provide web-based Evolusi dalam teknologi pendidikan saat ini mengarah kepada
learning so that students can access the same online courses big data personalized learning yang sebenarnya merupakan
via the Internet without adaptation, based on each student's perkembangan dari adaptive elearning (AdeLE). Pergeseran
profile and behavior. In an e-Learning system, one size does paradigma pada era ini adalah “education is smart and
not fit all”. Content learning yang ditujukkan untuk siswa personal” dengan implementasi big data personalized
kelompok tertentu tidak akan cocok untuk siswa lainnya, learning, seperti Gambar 1.
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.
dipungkiri. Era Teknologi Informasi dan Komunikasi akan menjadi bertambah besar kedepannya. Tradisional RDBMS
terus berkembang sesuai dengan perkembangan teknologi saat tidak mampu menyimpan dan memproses data jenis tersebut.
ini. Menurut Gartner, big data memiliki tiga atribut, yaitu Untuk mengatasi hal tersebut digunakan database yang tidak
volume, variety, dan velocity. Lebih lanjut lagi, berdasarkan menggunakan query tradisional SQL (NoSQL). Teknik
riset yang dilakukan oleh IBM, ketiga komponen big data kompresi digunakan juga untuk mengkompresi data dalam
tersebut di atas ditambah dengan komponen veracity dan kondisi rest dan didalam memori.
value. Kelima komponen/atribut big data ditunjukkan seperti
Gambar 2. 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
Gambar 2. Atribut big data dalam menganalisis pembelajaran seperti,
Pada saat ini sedang berkembang dimana arus/kecepatan a. Performance Prediction : kinerja siswa dapat diprediksi
berbagai jenis data (velocity) benar-benar tinggi dan cepat, melalui analisis interaksi antar siswa dan interaksi siswa
sehingga menghasilkan data yang amat besar (volume) dengan guru di dalam lingkungan belajarnya.
dengan variasi yang tinggi (variety). Era seperti inilah yang b. Attrition Risk Detection : dengan menganalisis prilaku
disebut dengan Era Big Data. Volume berkaitan dengan siswa, resiko siswa yang drop out dalam pembelajaran
ukuran data. Variety berarti tipe atau jenis data, yang meliputi dapat di deteksi dan diukur, dilakukan di awal
berbagai jenis data baik data yang telah terstruktur dalam pembelajaran sehingga dapat meminimalkan resiko DO.
suatu database maupun data yang tidak terorganisir dalam
suatu database seperti halnya data teks pada web pages, data c. Data Visualization : report pada data pendidikan
suara, video, click stream, log file dan lain sebagainya. ukurannya akan terus bertambah dan menjadi komplek.
Velocity dapat diartikan sebagai kecepatan dihasilkannya Data dapat divisualisasikan menggunakan teknik
suatu data dan seberapa cepat data itu harus diproses agar visualisasi untuk memudahkan mengidentifikasi trends
dapat memenuhi permintaan pengguna. Veracity berkaitan data dan hubungan antar data hanya dengan melihat
dengan keakuratan data yang diperoleh. Sedangkan ,Value visualisasi reportnya.
dapat dikaitkan dengan nilai dari data tersebut. Data dianggap d. Intelligent Feedback : sistem learning menyediakan
bernilai jika memiliki arti penting bagi pengguna. intelligent feedback yang merespon dengan segera input
A. Penanganan melalui Big data siswa yang akan ditingkatkan interaksi dan kinerjanya.
Menurut [9] ada beberapa case yang mampu di tangani e. Course Recommendation : sebuah course baru dapat
melalui big data, yaitu, direkomendasikan berdasarkan ketertarikan siswa, yang
teridentifikasi dengan menganalisis aktivitas mereka.
1) Storage Hal ini menjamin siswa tidak akan tersesat dalam
Kapasitas hard disk yang ada saat ini sudah menjangkau memilih bidang ilmu yang disenanginya.
terabyte, sedangkan arus data yang hilir mudik di dunia
internet sudah mencapai exabyte. Walaupun data yang f. Student Skill estimation : mengestimasi ketercapaian
dihasilkan dari dunia pendidikan tidak sebesar data melalui skill siswa
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
Prosiding Seminar Nasional Pendidikan Teknik Informatika
(SENAPATI) Ke-8
Bali, 09 September 2017
g. Behavior Detection : mendeteksi prilaku siswa dalam digunakan sebagai referensi dalam mengembangkan sebuah
lingkungannya berbasis pada aktivitas dan games model big data analytic kedepannya.
yang membantu dalam mengembangkan diri siswa.
Gambar 3 menjelaskan bahwa rancangan yang diusulkan
h. Grouping & collaboration of Student, Social Network untuk learning analytic, academic analytic, dan process
Analysis, Developing concept maps, Constructing analytic melibatkan teknologi ETL untuk menarik data dari
courseware, dan Planning and scheduling. beberapa sumber. Untuk learning analytic dapat
menggunakan sumber-sumber data dari data-data Student
C. Big Data Analytic Information System, Course Management, Online Education,
Big data analytic dapat digunakan untuk menganalisis Student Assessment, dan data finance. Untuk proses academic
secara real time pengalaman mahasiswa yang dapat dihasilkan analytic dapat menggunakan sumber-sumber data dari data-
dari aktivitas mahasiswa, seperti : registrasi perkuliahan, data Outcomes Assessment, Lecture Assessment, Staff
pembayaran, partisipasi di kelas, belajar online, dan penilaian. Assessment, Faculty Assessment, dan data Finance
Penggunaan big data analytic di dunia pendidikan meliputi Assessment. Sementara untuk process analytic dapat
learning analytic, academic analytic dan proses mining menggunakan sumber-sumber data dari data-data log activity
[10][11]. dari proses Student Information System, Cource
Management, Online Education, Student Assessment, dan
Learning Analytic adalah melakukan analisis data data log activity dari proses finance. Student Assessment, dan
pembelajaran secara real time sehingga dapat digunakan data finance. Data dari beberapa sumber tersebut kemudian
untuk memprediksi mahasiswa sukses dan mahasiswa yang dikumpulkan dalam suatu gudang data (data warehouse)
beresiko akademik. Dengan big data analytic di perguruan untuk kemudian dianalisis dengan menggunakan teknologi
tinggi dapat memberikan wawasan siswa yang beresiko putus analisis dan prediksi yang real time, seperti : OnLine
(dropping out) sehingga dapat dilakukan tindakan preventif Analytical Process (OLAP), Analytical Reporting Tools
atau memberikan dukungan tambahan untuk meningkatkan (Business Intelligence), dan Data Mining/Predictive
keberhasilan mereka, dan keyakinan, dalam proses Modelling. Hasil analisis dan prediksi akan ditampilkan
pembelajaran sebelum mereka benar-benar gagal (Reduce dalam bentuk Dashboard Analytic Presentation yang
Dropouts, Increase Results) [12]. Learning Analytic memiliki diharapkan dapat mendukung peningkatan pengambilan
potensi untuk membantu mahasiswa dan dosen bersama-sama keputusan di perguruan tinggi dalam upaya meningkatkan
mengenali tanda-tanda bahaya sebelum ancaman terhadap kinerja kerberhasilan mahasiswa dan institusi.
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 Gambar 3. Rancangan penggunaan big data analytic di PT
analytic tidak terbatas pada proses penemuan proses bisnis (adaptasi [10])
tapi juga memungkinkan untuk memeriksa kesesuaian,
mendeteksi penyimpangan, memprediksi penundaan,
mendukung pengambilan keputusan, dan merekomendasikan III. SIMPULAN
desain ulang proses. Gambar 3 adalah rancangan penggunaan Teknologi big data yang menjadi trends saat ini sangat
big data analytic di sebuah Perguruan Tinggi yang dapat bermanfaat dalam mendukung pengambilan keputusan
berbasis informasi dan data, dan sudah tentu harus didukung
dengan kerjasama dari semua kontributor enterprise [5] K. Agustini, “The Adaptive eLearning System Design ; Student
pendidikan, baik itu mahasiswa, staf, dosen, administrator, Learning Style Trend Analysis,” in 2nd International Conference on
Innovative Research Across Disciplines (ICIRAD 2017), 2017, pp. 50–
dan masyarakat sehingga memungkinkan untuk membuat 54.
akuntabel keputusan yang efektif dan efisien serta dapat [6] M. C. Murray and J. Pérez, “Informing and performing: A study
meningkatkan kinerja keberhasilan mahasiswa dan institusi. 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 ,
DAFTAR PUSTAKA technology , and media research ?,” vol. 9884, no. May, 2017.
[1] G. Siemens, “Connectivism : A Learning Theory for the Digital Age,” [8] R. P. Santos, “Big Data : Philosophy , emergence , crowdledge , and
pp. 1–8, 2013. science education,” vol. 8, no. 2, pp. 115–127, 2015.
[2] Roth, “Adaptive E-Learning Model For Enhancing Construction [9] K. Sin and L. Muthu, “Aplication Of Big Data In Education Data
Management Education,” no. Ramsden 2003, 2016. Mining And Learning Analytic – A Literature Review,” vol. 6956, no.
[3] H. D. Surjono, “The Design of Adaptive E-Learning System based on July, pp. 1035–1049, 2015.
Student ’ s Learning Styles,” Int. J. Comput. Sci. Inf. Technol., vol. 2, [10] T. Asniar, “Penggunaan Big Data Analytic di Perguruan Tinggi,” no.
no. 5, pp. 2350–2353, 2011. February, pp. 1–5, 2015.
[4] V. S. L. Esichaikul;, C. Bechter, and Thammasat, “Student Modelling [11] B. Daniel, “Big Data and analytics in higher education: Opportunities
in Adaptive E-Learning Systems Vatcharaporn Esichaikul * Supaporn and challenges,” pp. 1–17, 2014.
Lamnoi Clemens Bechter,” Knowl. Manag. E-Learning, vol. 3, no. 3, [12] Saurabh, “Four Ways Big Data Will Revolutionize Education,” 2017.
pp. 342–355, 2011.