MACHINE LEARNING UNTUK PERSONALISASI PEMBELAJARAN

Abstract

Personalisasi pembelajaran menjadi krusial dalam mengatasi tantangan keberagaman gaya belajar dan kecepatan kognitif siswa di era digital. Namun, implementasi secara manual dalam skala besar sering kali terkendala oleh rasio guru dan murid yang tidak seimbang. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi sistem pembelajaran adaptif berbasis Machine Learning menggunakan integrasi algoritma K-Means Clustering untuk segmentasi profil siswa dan Random Forest untuk rekomendasi konten otomatis. Metode penelitian yang digunakan adalah Research and Development (R&D) dengan kerangka kerja CRISP-DM dan uji eksperimen semu (quasi-experimental) pada 250 siswa yang terintegrasi dengan platform LMS. Hasil penelitian menunjukkan bahwa model Random Forest mencapai tingkat akurasi sebesar 89,2% dalam memprediksi kebutuhan intervensi siswa. Uji statistik Independent Sample T-Test menunjukkan adanya peningkatan signifikan pada hasil belajar kelompok eksperimen, dengan kenaikan nilai rata-rata sebesar 43% ($p < 0,001$). Temuan ini mengindikasikan bahwa personalisasi berbasis AI efektif dalam memitigasi kesenjangan pemahaman, khususnya bagi siswa dalam kategori berisiko (at-risk). Penelitian ini menyimpulkan bahwa kolaborasi antara kecerdasan buatan dan pendidik (human-in-the-loop) merupakan kunci keberhasilan transformasi kurikulum Merdeka Belajar yang lebih inklusif dan efisien di Indonesia.