Terdapat kebutuhan yang semakin meningkat akan pembelajaran berpusat pada siswa (Student-Centered Learning/SCL) di lembaga pendidikan tinggi, termasuk kedokteran gigi. Namun, SCL memiliki penerapan yang terbatas dalam pendidikan kedokteran gigi. Oleh karena itu, penelitian ini bertujuan untuk mempromosikan penerapan SCL dalam kedokteran gigi dengan menggunakan teknologi pembelajaran mesin (Machine Learning/ML) pohon keputusan untuk memetakan gaya belajar (Learning Style/LS) yang disukai dan strategi belajar (Learning Strategy/IS) yang sesuai dari mahasiswa kedokteran gigi sebagai alat yang berguna untuk mengembangkan pedoman IS dan metode yang menjanjikan bagi mahasiswa kedokteran gigi.
Sebanyak 255 mahasiswa kedokteran gigi dari Universitas Malaya menyelesaikan kuesioner Indeks Gaya Belajar yang dimodifikasi (m-ILS), yang berisi 44 item untuk mengklasifikasikan mereka ke dalam Gaya Belajar (LS) masing-masing. Data yang dikumpulkan (disebut dataset) digunakan dalam pembelajaran pohon keputusan terawasi untuk secara otomatis mencocokkan gaya belajar mahasiswa dengan Sistem Informasi (SI) yang paling tepat. Akurasi alat rekomendasi SI berbasis pembelajaran mesin kemudian dievaluasi.
Penerapan model pohon keputusan dalam proses pemetaan otomatis antara LS (masukan) dan IS (keluaran target) memungkinkan daftar strategi pembelajaran yang tepat untuk setiap mahasiswa kedokteran gigi secara langsung. Alat rekomendasi IS menunjukkan akurasi dan recall yang sempurna dari akurasi model secara keseluruhan, menunjukkan bahwa pencocokan LS dengan IS memiliki sensitivitas dan spesifisitas yang baik.
Alat rekomendasi sistem informasi (SI) berbasis pohon keputusan pembelajaran mesin (ML) telah membuktikan kemampuannya untuk secara akurat mencocokkan gaya belajar mahasiswa kedokteran gigi dengan strategi pembelajaran yang tepat. Alat ini menyediakan pilihan yang ampuh untuk merencanakan kursus atau modul yang berpusat pada peserta didik yang dapat meningkatkan pengalaman belajar mahasiswa.
Pengajaran dan pembelajaran merupakan aktivitas fundamental di lembaga pendidikan. Dalam mengembangkan sistem pendidikan kejuruan yang berkualitas tinggi, penting untuk fokus pada kebutuhan belajar siswa. Interaksi antara siswa dan lingkungan belajarnya dapat ditentukan melalui LS mereka. Penelitian menunjukkan bahwa ketidaksesuaian yang disengaja oleh guru antara LS siswa dan IS dapat berdampak negatif terhadap pembelajaran siswa, seperti penurunan perhatian dan motivasi. Hal ini secara tidak langsung akan mempengaruhi prestasi siswa [1,2].
IS adalah metode yang digunakan oleh guru untuk menyampaikan pengetahuan dan keterampilan kepada siswa, termasuk membantu siswa belajar [3]. Secara umum, guru yang baik merencanakan strategi pengajaran atau IS yang paling sesuai dengan tingkat pengetahuan siswa, konsep yang mereka pelajari, dan tahap pembelajaran mereka. Secara teoritis, ketika LS dan IS sesuai, siswa akan mampu mengatur dan menggunakan seperangkat keterampilan tertentu untuk belajar secara efektif. Biasanya, rencana pembelajaran mencakup beberapa transisi antar tahapan, seperti dari pengajaran ke praktik terbimbing atau dari praktik terbimbing ke praktik mandiri. Dengan mengingat hal ini, guru yang efektif sering merencanakan pengajaran dengan tujuan membangun pengetahuan dan keterampilan siswa [4].
Permintaan akan SCL (Student Learning and Learning) semakin meningkat di lembaga pendidikan tinggi, termasuk kedokteran gigi. Strategi SCL dirancang untuk memenuhi kebutuhan belajar mahasiswa. Hal ini dapat dicapai, misalnya, jika mahasiswa berpartisipasi aktif dalam kegiatan pembelajaran dan dosen bertindak sebagai fasilitator dan bertanggung jawab untuk memberikan umpan balik yang berharga. Dikatakan bahwa menyediakan materi dan aktivitas pembelajaran yang sesuai dengan tingkat pendidikan atau preferensi mahasiswa dapat meningkatkan lingkungan belajar mahasiswa dan mendorong pengalaman belajar yang positif [5].
Secara umum, proses pembelajaran mahasiswa kedokteran gigi dipengaruhi oleh berbagai prosedur klinis yang harus mereka lakukan dan lingkungan klinis tempat mereka mengembangkan keterampilan interpersonal yang efektif. Tujuan pelatihan adalah untuk memungkinkan mahasiswa menggabungkan pengetahuan dasar kedokteran gigi dengan keterampilan klinis kedokteran gigi dan menerapkan pengetahuan yang diperoleh pada situasi klinis baru [6, 7]. Penelitian awal tentang hubungan antara LS dan IS menemukan bahwa menyesuaikan strategi pembelajaran yang dipetakan ke LS yang disukai akan membantu meningkatkan proses pendidikan [8]. Para penulis juga merekomendasikan penggunaan berbagai metode pengajaran dan penilaian untuk beradaptasi dengan pembelajaran dan kebutuhan mahasiswa.
Guru mendapat manfaat dari penerapan pengetahuan LS untuk membantu mereka merancang, mengembangkan, dan menerapkan instruksi yang akan meningkatkan perolehan pengetahuan dan pemahaman yang lebih mendalam tentang materi pelajaran oleh siswa. Para peneliti telah mengembangkan beberapa alat penilaian LS, seperti Model Pembelajaran Eksperiensial Kolb, Model Gaya Belajar Felder-Silverman (FSLSM), dan Model Fleming VAK/VARK [5, 9, 10]. Menurut literatur, model pembelajaran ini adalah model pembelajaran yang paling umum digunakan dan paling banyak dipelajari. Dalam penelitian ini, FSLSM digunakan untuk menilai LS di kalangan mahasiswa kedokteran gigi.
FSLSM adalah model yang banyak digunakan untuk mengevaluasi pembelajaran adaptif di bidang teknik. Terdapat banyak karya yang diterbitkan di bidang ilmu kesehatan (termasuk kedokteran, keperawatan, farmasi, dan kedokteran gigi) yang dapat ditemukan menggunakan model FSLSM [5, 11, 12, 13]. Instrumen yang digunakan untuk mengukur dimensi LS dalam FLSM disebut Indeks Gaya Belajar (ILS) [8], yang berisi 44 item yang menilai empat dimensi LS: pemrosesan (aktif/reflektif), persepsi (perseptual/intuitif), masukan (visual/verbal) dan pemahaman (sekuensial/global) [14].
Seperti yang ditunjukkan pada Gambar 1, setiap dimensi FSLSM memiliki preferensi dominan. Misalnya, dalam dimensi pemrosesan, siswa dengan LS “aktif” lebih suka memproses informasi dengan berinteraksi langsung dengan materi pembelajaran, belajar dengan melakukan, dan cenderung belajar dalam kelompok. LS “reflektif” mengacu pada pembelajaran melalui pemikiran dan lebih suka bekerja sendiri. Dimensi “persepsi” dari LS dapat dibagi menjadi “perasaan” dan/atau “intuisi”. Siswa “perasaan” lebih menyukai informasi yang lebih konkret dan prosedur praktis, berorientasi pada fakta dibandingkan dengan siswa “intuitif” yang lebih menyukai materi abstrak dan lebih inovatif serta kreatif. Dimensi “masukan” dari LS terdiri dari pembelajar “visual” dan “verbal”. Orang dengan LS “visual” lebih suka belajar melalui demonstrasi visual (seperti diagram, video, atau demonstrasi langsung), sedangkan orang dengan LS “verbal” lebih suka belajar melalui kata-kata dalam penjelasan tertulis atau lisan. Untuk “memahami” dimensi LS, pembelajar tersebut dapat dibagi menjadi “sekuensial” dan “global”. “Pembelajar sekuensial lebih menyukai proses berpikir linier dan belajar langkah demi langkah, sedangkan pembelajar global cenderung memiliki proses berpikir holistik dan selalu memiliki pemahaman yang lebih baik tentang apa yang mereka pelajari.
Baru-baru ini, banyak peneliti mulai mengeksplorasi metode untuk penemuan otomatis berbasis data, termasuk pengembangan algoritma dan model baru yang mampu menginterpretasikan sejumlah besar data [15, 16]. Berdasarkan data yang diberikan, pembelajaran mesin (machine learning) terawasi mampu menghasilkan pola dan hipotesis yang memprediksi hasil di masa depan berdasarkan konstruksi algoritma [17]. Sederhananya, teknik pembelajaran mesin terawasi memanipulasi data masukan dan melatih algoritma. Kemudian menghasilkan rentang yang mengklasifikasikan atau memprediksi hasil berdasarkan situasi serupa untuk data masukan yang diberikan. Keunggulan utama algoritma pembelajaran mesin terawasi adalah kemampuannya untuk menetapkan hasil yang ideal dan diinginkan [17].
Melalui penggunaan metode berbasis data dan model kontrol pohon keputusan, deteksi otomatis LS dimungkinkan. Pohon keputusan telah dilaporkan banyak digunakan dalam program pelatihan di berbagai bidang, termasuk ilmu kesehatan [18, 19]. Dalam penelitian ini, model tersebut secara khusus dilatih oleh pengembang sistem untuk mengidentifikasi LS siswa dan merekomendasikan sistem informasi terbaik untuk mereka.
Tujuan penelitian ini adalah untuk mengembangkan strategi penyampaian SI berdasarkan LS siswa dan menerapkan pendekatan SCL dengan mengembangkan alat rekomendasi SI yang dipetakan ke LS. Alur desain alat rekomendasi SI sebagai strategi metode SCL ditunjukkan pada Gambar 1. Alat rekomendasi SI dibagi menjadi dua bagian, termasuk mekanisme klasifikasi LS menggunakan ILS dan tampilan SI yang paling sesuai untuk siswa.
Secara khusus, karakteristik alat rekomendasi keamanan informasi mencakup penggunaan teknologi web dan penggunaan pembelajaran mesin pohon keputusan. Pengembang sistem meningkatkan pengalaman pengguna dan mobilitas dengan mengadaptasinya ke perangkat seluler seperti telepon seluler dan tablet.
Eksperimen ini dilakukan dalam dua tahap dan mahasiswa dari Fakultas Kedokteran Gigi di Universitas Malaya berpartisipasi secara sukarela. Para peserta menjawab m-ILS daring mahasiswa kedokteran gigi dalam bahasa Inggris. Pada fase awal, kumpulan data 50 mahasiswa digunakan untuk melatih algoritma pembelajaran mesin pohon keputusan. Pada fase kedua proses pengembangan, kumpulan data 255 mahasiswa digunakan untuk meningkatkan akurasi instrumen yang dikembangkan.
Semua peserta menerima pengarahan daring di awal setiap tahap, tergantung pada tahun akademik, melalui Microsoft Teams. Tujuan penelitian dijelaskan dan persetujuan informed consent diperoleh. Semua peserta diberikan tautan untuk mengakses m-ILS. Setiap mahasiswa diinstruksikan untuk menjawab semua 44 item pada kuesioner. Mereka diberi waktu satu minggu untuk menyelesaikan ILS yang dimodifikasi pada waktu dan lokasi yang nyaman bagi mereka selama liburan semester sebelum dimulainya semester. m-ILS didasarkan pada instrumen ILS asli dan dimodifikasi untuk mahasiswa kedokteran gigi. Mirip dengan ILS asli, instrumen ini berisi 44 item yang terdistribusi secara merata (a, b), dengan masing-masing 11 item, yang digunakan untuk menilai aspek dari setiap dimensi FSLSM.
Pada tahap awal pengembangan alat, para peneliti secara manual memberi anotasi pada peta menggunakan kumpulan data dari 50 mahasiswa kedokteran gigi. Menurut FSLM, sistem ini memberikan jumlah jawaban “a” dan “b”. Untuk setiap dimensi, jika mahasiswa memilih “a” sebagai jawaban, LS diklasifikasikan sebagai Aktif/Perseptual/Visual/Sekuensial, dan jika mahasiswa memilih “b” sebagai jawaban, mahasiswa diklasifikasikan sebagai Reflektif/Intuitif/Linguistik/pembelajar global.
Setelah mengkalibrasi alur kerja antara peneliti pendidikan kedokteran gigi dan pengembang sistem, pertanyaan dipilih berdasarkan domain FLSSM dan dimasukkan ke dalam model ML untuk memprediksi LS setiap siswa. “Sampah masuk, sampah keluar” adalah pepatah populer di bidang pembelajaran mesin, dengan penekanan pada kualitas data. Kualitas data masukan menentukan presisi dan akurasi model pembelajaran mesin. Selama fase rekayasa fitur, kumpulan fitur baru dibuat yang merupakan jumlah jawaban “a” dan “b” berdasarkan FLSSM. Nomor identifikasi posisi obat diberikan pada Tabel 1.
Hitung skor berdasarkan jawaban dan tentukan LS siswa. Untuk setiap siswa, rentang skor adalah dari 1 hingga 11. Skor dari 1 hingga 3 menunjukkan keseimbangan preferensi belajar dalam dimensi yang sama, dan skor dari 5 hingga 7 menunjukkan preferensi moderat, yang menunjukkan bahwa siswa cenderung lebih menyukai satu lingkungan pengajaran. Variasi lain pada dimensi yang sama adalah skor dari 9 hingga 11 mencerminkan preferensi yang kuat untuk salah satu ujung atau ujung lainnya [8].
Untuk setiap dimensi, obat-obatan dikelompokkan menjadi “aktif”, “reflektif”, dan “seimbang”. Misalnya, ketika seorang siswa menjawab “a” lebih sering daripada “b” pada item tertentu dan skornya melebihi ambang batas 5 untuk item tertentu yang mewakili dimensi LS Pemrosesan, ia termasuk dalam domain LS “aktif”. Namun, siswa diklasifikasikan sebagai LS “reflektif” ketika mereka memilih “b” lebih sering daripada “a” pada 11 pertanyaan tertentu (Tabel 1) dan memperoleh skor lebih dari 5 poin. Akhirnya, siswa berada dalam keadaan “keseimbangan”. Jika skor tidak melebihi 5 poin, maka ini adalah LS “proses”. Proses klasifikasi diulangi untuk dimensi LS lainnya, yaitu persepsi (aktif/reflektif), masukan (visual/verbal), dan pemahaman (sekuensial/global).
Model pohon keputusan dapat menggunakan subset fitur dan aturan keputusan yang berbeda pada berbagai tahap proses klasifikasi. Ini dianggap sebagai alat klasifikasi dan prediksi yang populer. Ini dapat direpresentasikan menggunakan struktur pohon seperti diagram alur [20], di mana terdapat node internal yang mewakili pengujian berdasarkan atribut, setiap cabang mewakili hasil pengujian, dan setiap node daun (leaf node) berisi label kelas.
Sebuah program berbasis aturan sederhana dibuat untuk secara otomatis memberi skor dan memberi anotasi pada LS setiap siswa berdasarkan respons mereka. Pendekatan berbasis aturan berbentuk pernyataan IF, di mana “IF” menjelaskan pemicu dan “THEN” menentukan tindakan yang akan dilakukan, misalnya: “Jika X terjadi, maka lakukan Y” (Liu et al., 2014). Jika kumpulan data menunjukkan korelasi dan model pohon keputusan dilatih dan dievaluasi dengan benar, pendekatan ini dapat menjadi cara yang efektif untuk mengotomatiskan proses pencocokan LS dan IS.
Pada fase pengembangan kedua, kumpulan data ditingkatkan menjadi 255 untuk meningkatkan akurasi alat rekomendasi. Kumpulan data dibagi dengan rasio 1:4. 25% (64) dari kumpulan data digunakan untuk set pengujian, dan sisanya 75% (191) digunakan sebagai set pelatihan (Gambar 2). Kumpulan data perlu dibagi untuk mencegah model dilatih dan diuji pada kumpulan data yang sama, yang dapat menyebabkan model mengingat daripada belajar. Model dilatih pada set pelatihan dan mengevaluasi kinerjanya pada set pengujian—data yang belum pernah dilihat model sebelumnya.
Setelah alat IS dikembangkan, aplikasi akan mampu mengklasifikasikan LS berdasarkan respons mahasiswa kedokteran gigi melalui antarmuka web. Sistem alat rekomendasi keamanan informasi berbasis web ini dibangun menggunakan bahasa pemrograman Python dengan kerangka kerja Django sebagai backend. Tabel 2 mencantumkan pustaka yang digunakan dalam pengembangan sistem ini.
Dataset tersebut dimasukkan ke dalam model pohon keputusan untuk menghitung dan mengekstrak respons siswa guna mengklasifikasikan pengukuran LS siswa secara otomatis.
Matriks kebingungan (confusion matrix) digunakan untuk mengevaluasi akurasi algoritma pembelajaran mesin pohon keputusan pada kumpulan data tertentu. Pada saat yang sama, matriks ini mengevaluasi kinerja model klasifikasi. Matriks ini merangkum prediksi model dan membandingkannya dengan label data aktual. Hasil evaluasi didasarkan pada empat nilai berbeda: True Positive (TP) – model memprediksi kategori positif dengan benar, False Positive (FP) – model memprediksi kategori positif, tetapi label sebenarnya adalah negatif, True Negative (TN) – model memprediksi kelas negatif dengan benar, dan false negative (FN) – model memprediksi kelas negatif, tetapi label sebenarnya adalah positif.
Nilai-nilai ini kemudian digunakan untuk menghitung berbagai metrik kinerja model klasifikasi scikit-learn di Python, yaitu presisi, akurasi, recall, dan skor F1. Berikut beberapa contohnya:
Recall (atau sensitivitas) mengukur kemampuan model untuk secara akurat mengklasifikasikan LS siswa setelah menjawab kuesioner m-ILS.
Spesifisitas disebut tingkat negatif sejati. Seperti yang Anda lihat dari rumus di atas, ini seharusnya merupakan rasio negatif sejati (TN) terhadap negatif sejati dan positif palsu (FP). Sebagai bagian dari alat yang direkomendasikan untuk mengklasifikasikan narkoba di kalangan siswa, alat ini harus mampu melakukan identifikasi secara akurat.
Dataset asli yang terdiri dari 50 siswa yang digunakan untuk melatih model ML pohon keputusan menunjukkan akurasi yang relatif rendah karena kesalahan manusia dalam anotasi (Tabel 3). Setelah membuat program berbasis aturan sederhana untuk secara otomatis menghitung skor LS dan anotasi siswa, jumlah dataset yang digunakan untuk melatih dan menguji sistem rekomendasi meningkat (255).
Dalam matriks kebingungan multikelas, elemen diagonal mewakili jumlah prediksi yang benar untuk setiap tipe LS (Gambar 4). Dengan menggunakan model pohon keputusan, total 64 sampel diprediksi dengan benar. Dengan demikian, dalam penelitian ini, elemen diagonal menunjukkan hasil yang diharapkan, yang mengindikasikan bahwa model bekerja dengan baik dan secara akurat memprediksi label kelas untuk setiap klasifikasi LS. Dengan demikian, akurasi keseluruhan alat rekomendasi adalah 100%.
Nilai akurasi, presisi, recall, dan skor F1 ditunjukkan pada Gambar 5. Untuk sistem rekomendasi yang menggunakan model pohon keputusan, skor F1-nya adalah 1,0 “sempurna,” yang menunjukkan presisi dan recall yang sempurna, mencerminkan nilai sensitivitas dan spesifisitas yang signifikan.
Gambar 6 menunjukkan visualisasi model pohon keputusan setelah pelatihan dan pengujian selesai. Dalam perbandingan berdampingan, model pohon keputusan yang dilatih dengan lebih sedikit fitur menunjukkan akurasi yang lebih tinggi dan visualisasi model yang lebih mudah. Ini menunjukkan bahwa rekayasa fitur yang mengarah pada pengurangan fitur merupakan langkah penting dalam meningkatkan kinerja model.
Dengan menerapkan pembelajaran terawasi berbasis pohon keputusan, pemetaan antara LS (masukan) dan IS (keluaran target) dihasilkan secara otomatis dan berisi informasi rinci untuk setiap LS.
Hasil penelitian menunjukkan bahwa 34,9% dari 255 mahasiswa lebih menyukai satu (1) pilihan LS. Mayoritas (54,3%) memiliki dua atau lebih preferensi LS. 12,2% mahasiswa mencatat bahwa LS cukup seimbang (Tabel 4). Selain delapan LS utama, terdapat 34 kombinasi klasifikasi LS untuk mahasiswa kedokteran gigi Universitas Malaya. Di antara kombinasi tersebut, persepsi, penglihatan, dan kombinasi persepsi dan penglihatan merupakan LS utama yang dilaporkan oleh mahasiswa (Gambar 7).
Seperti yang terlihat pada Tabel 4, mayoritas siswa memiliki gaya belajar sensorik (13,7%) atau visual (8,6%) yang dominan. Dilaporkan bahwa 12,2% siswa menggabungkan persepsi dengan penglihatan (gaya belajar perseptual-visual). Temuan ini menunjukkan bahwa siswa lebih suka belajar dan mengingat melalui metode yang sudah mapan, mengikuti prosedur yang spesifik dan detail, serta memiliki sifat yang penuh perhatian. Pada saat yang sama, mereka menikmati belajar dengan melihat (menggunakan diagram, dll.) dan cenderung mendiskusikan serta menerapkan informasi dalam kelompok atau secara mandiri.
Studi ini memberikan gambaran umum tentang teknik pembelajaran mesin yang digunakan dalam penambangan data, dengan fokus pada prediksi LS (Life Skills/Keterampilan Hidup) siswa secara instan dan akurat serta merekomendasikan SI (Sistem Informasi) yang sesuai. Penerapan model pohon keputusan mengidentifikasi faktor-faktor yang paling terkait erat dengan pengalaman hidup dan pendidikan mereka. Ini adalah algoritma pembelajaran mesin terawasi yang menggunakan struktur pohon untuk mengklasifikasikan data dengan membagi sekumpulan data ke dalam subkategori berdasarkan kriteria tertentu. Cara kerjanya adalah dengan membagi data masukan secara rekursif menjadi subset berdasarkan nilai salah satu fitur masukan dari setiap node internal hingga keputusan dibuat pada node daun.
Node internal pohon keputusan merepresentasikan solusi berdasarkan karakteristik input dari masalah m-ILS, dan node daun merepresentasikan prediksi klasifikasi LS akhir. Sepanjang penelitian ini, mudah untuk memahami hierarki pohon keputusan yang menjelaskan dan memvisualisasikan proses pengambilan keputusan dengan melihat hubungan antara fitur input dan prediksi output.
Di bidang ilmu komputer dan teknik, algoritma pembelajaran mesin banyak digunakan untuk memprediksi kinerja siswa berdasarkan nilai ujian masuk [21], informasi demografis, dan perilaku belajar [22]. Penelitian menunjukkan bahwa algoritma tersebut secara akurat memprediksi kinerja siswa dan membantu mengidentifikasi siswa yang berisiko mengalami kesulitan akademis.
Penerapan algoritma ML dalam pengembangan simulator pasien virtual untuk pelatihan kedokteran gigi dilaporkan. Simulator ini mampu mereproduksi respons fisiologis pasien sungguhan secara akurat dan dapat digunakan untuk melatih mahasiswa kedokteran gigi dalam lingkungan yang aman dan terkontrol [23]. Beberapa penelitian lain menunjukkan bahwa algoritma pembelajaran mesin berpotensi meningkatkan kualitas dan efisiensi pendidikan kedokteran gigi dan medis serta perawatan pasien. Algoritma pembelajaran mesin telah digunakan untuk membantu diagnosis penyakit gigi berdasarkan kumpulan data seperti gejala dan karakteristik pasien [24, 25]. Sementara penelitian lain telah mengeksplorasi penggunaan algoritma pembelajaran mesin untuk melakukan tugas-tugas seperti memprediksi hasil pasien, mengidentifikasi pasien berisiko tinggi, mengembangkan rencana perawatan yang dipersonalisasi [26], perawatan periodontal [27], dan perawatan karies [25].
Meskipun laporan tentang penerapan pembelajaran mesin dalam kedokteran gigi telah dipublikasikan, penerapannya dalam pendidikan kedokteran gigi masih terbatas. Oleh karena itu, penelitian ini bertujuan untuk menggunakan model pohon keputusan untuk mengidentifikasi faktor-faktor yang paling erat kaitannya dengan LS dan IS di kalangan mahasiswa kedokteran gigi.
Hasil penelitian ini menunjukkan bahwa alat rekomendasi yang dikembangkan memiliki akurasi tinggi dan akurasi sempurna, yang mengindikasikan bahwa guru dapat memperoleh manfaat dari alat ini. Dengan menggunakan proses klasifikasi berbasis data, alat ini dapat memberikan rekomendasi yang dipersonalisasi dan meningkatkan pengalaman serta hasil pendidikan bagi pendidik dan siswa. Di antaranya, informasi yang diperoleh melalui alat rekomendasi dapat menyelesaikan konflik antara metode pengajaran yang disukai guru dan kebutuhan belajar siswa. Misalnya, karena keluaran otomatis dari alat rekomendasi, waktu yang dibutuhkan untuk mengidentifikasi IP siswa dan mencocokkannya dengan IP yang sesuai akan berkurang secara signifikan. Dengan cara ini, kegiatan pelatihan dan materi pelatihan yang sesuai dapat diorganisir. Hal ini membantu mengembangkan perilaku belajar positif dan kemampuan konsentrasi siswa. Sebuah penelitian melaporkan bahwa menyediakan materi pembelajaran dan kegiatan pembelajaran yang sesuai dengan LS yang disukai siswa dapat membantu siswa mengintegrasikan, memproses, dan menikmati pembelajaran dalam berbagai cara untuk mencapai potensi yang lebih besar [12]. Penelitian juga menunjukkan bahwa selain meningkatkan partisipasi siswa di kelas, pemahaman tentang proses belajar siswa juga memainkan peran penting dalam meningkatkan praktik pengajaran dan komunikasi dengan siswa [28, 29].
Namun, seperti halnya teknologi modern lainnya, terdapat masalah dan keterbatasan. Ini termasuk isu-isu terkait privasi data, bias dan keadilan, serta keterampilan dan sumber daya profesional yang dibutuhkan untuk mengembangkan dan mengimplementasikan algoritma pembelajaran mesin dalam pendidikan kedokteran gigi; Namun, meningkatnya minat dan penelitian di bidang ini menunjukkan bahwa teknologi pembelajaran mesin mungkin memiliki dampak positif pada pendidikan kedokteran gigi dan layanan kedokteran gigi.
Hasil penelitian ini menunjukkan bahwa separuh mahasiswa kedokteran gigi memiliki kecenderungan untuk “mempersepsikan” obat-obatan. Tipe pembelajar ini memiliki preferensi terhadap fakta dan contoh konkret, orientasi praktis, kesabaran terhadap detail, dan preferensi LS “visual”, di mana pembelajar lebih suka menggunakan gambar, grafik, warna, dan peta untuk menyampaikan ide dan pemikiran. Hasil saat ini konsisten dengan penelitian lain yang menggunakan ILS untuk menilai LS pada mahasiswa kedokteran gigi dan kedokteran, yang sebagian besar memiliki karakteristik LS perseptual dan visual [12, 30]. Dalmolin dkk. menyarankan bahwa memberi tahu mahasiswa tentang LS mereka memungkinkan mereka untuk mencapai potensi belajar mereka. Para peneliti berpendapat bahwa ketika guru sepenuhnya memahami proses pendidikan siswa, berbagai metode dan aktivitas pengajaran dapat diterapkan yang akan meningkatkan kinerja dan pengalaman belajar siswa [12, 31, 32]. Penelitian lain menunjukkan bahwa menyesuaikan LS siswa juga menunjukkan peningkatan dalam pengalaman belajar dan kinerja siswa setelah mengubah gaya belajar mereka agar sesuai dengan LS mereka sendiri [13, 33].
Pendapat guru mungkin berbeda mengenai penerapan strategi pengajaran berdasarkan kemampuan belajar siswa. Sementara sebagian melihat manfaat dari pendekatan ini, termasuk peluang pengembangan profesional, bimbingan, dan dukungan komunitas, sebagian lainnya mungkin khawatir tentang waktu dan dukungan institusional. Berusaha mencapai keseimbangan adalah kunci untuk menciptakan sikap yang berpusat pada siswa. Otoritas pendidikan tinggi, seperti administrator universitas, dapat memainkan peran penting dalam mendorong perubahan positif dengan memperkenalkan praktik inovatif dan mendukung pengembangan fakultas [34]. Untuk menciptakan sistem pendidikan tinggi yang benar-benar dinamis dan responsif, para pembuat kebijakan harus mengambil langkah-langkah berani, seperti membuat perubahan kebijakan, mengalokasikan sumber daya untuk integrasi teknologi, dan menciptakan kerangka kerja yang mempromosikan pendekatan yang berpusat pada siswa. Langkah-langkah ini sangat penting untuk mencapai hasil yang diinginkan. Penelitian terbaru tentang pembelajaran berdiferensiasi telah menunjukkan dengan jelas bahwa keberhasilan penerapan pembelajaran berdiferensiasi membutuhkan pelatihan dan pengembangan berkelanjutan bagi guru [35].
Alat ini memberikan dukungan berharga bagi pendidik kedokteran gigi yang ingin mengambil pendekatan berpusat pada siswa dalam merencanakan aktivitas pembelajaran yang ramah siswa. Namun, penelitian ini terbatas pada penggunaan model ML pohon keputusan. Di masa mendatang, lebih banyak data perlu dikumpulkan untuk membandingkan kinerja berbagai model pembelajaran mesin guna membandingkan akurasi, keandalan, dan presisi alat rekomendasi. Selain itu, ketika memilih metode pembelajaran mesin yang paling tepat untuk tugas tertentu, penting untuk mempertimbangkan faktor lain seperti kompleksitas model dan interpretasi.
Keterbatasan penelitian ini adalah hanya berfokus pada pemetaan LS dan IS di kalangan mahasiswa kedokteran gigi. Oleh karena itu, sistem rekomendasi yang dikembangkan hanya akan merekomendasikan yang sesuai untuk mahasiswa kedokteran gigi. Perubahan diperlukan untuk penggunaan umum mahasiswa pendidikan tinggi.
Alat rekomendasi berbasis pembelajaran mesin yang baru dikembangkan ini mampu mengklasifikasikan dan mencocokkan LS (Student Learning/Keterampilan Belajar) siswa dengan IS (Information System/Sistem Informasi) yang sesuai secara instan, menjadikannya program pendidikan kedokteran gigi pertama yang membantu pendidik kedokteran gigi merencanakan aktivitas pengajaran dan pembelajaran yang relevan. Dengan menggunakan proses triase berbasis data, alat ini dapat memberikan rekomendasi yang dipersonalisasi, menghemat waktu, meningkatkan strategi pengajaran, mendukung intervensi yang tepat sasaran, dan mendorong pengembangan profesional berkelanjutan. Penerapannya akan mendorong pendekatan yang berpusat pada siswa dalam pendidikan kedokteran gigi.
Gilak Jani, Associated Press. Kesesuaian atau ketidaksesuaian antara gaya belajar siswa dan gaya mengajar guru. Int J Mod Educ Computer Science. 2012;4(11):51–60. https://doi.org/10.5815/ijmecs.2012.11.05
Waktu posting: 29 April 2024