01 / LATAR BELAKANG
Urgensi dan Konteks Penelitian
Kebutuhan belajar mahasiswa dalam satu kelas sangat beragam. Tanpa instrumen deteksi yang cepat, dosen kerap terlambat mengetahui materi mana yang belum dipahami secara tuntas oleh mahasiswa.
02 / TUJUAN RISET
Fokus & Sasaran Utama
Merancang arsitektur graf pengetahuan konsep mata kuliah, mengembangkan model prediksi kesulitan belajar, dan menguji akurasi model pada kelas komputasi berskala menengah.
03 / METODOLOGI
Pendekatan & Kerangka Kerja
Analisis data log aktivitas belajar, pemodelan Graph Neural Networks (GNN), dan studi kuasi-eksperimental dengan kelompok kontrol.
04 / TEMUAN & CAPAIAN
Hasil yang Telah Dicapai
Prototipe awal telah diuji pada 180 mahasiswa dengan akurasi prediksi kesenjangan konsep mencapai 87.4%.
KELUARAN RISET & ARTEFAK
Dataset, Kode, dan Demonstrasi
Dataset Analitik Interaksi Belajar Mahasiswa (Anonim)
Kumpulan data interaksi 180 mahasiswa selama 1 semester dengan konsep mata kuliah terlabel.
Akses Artefak Publik ↗Kode Sumber Pipeline Pemodelan Graph Neural Network
Repositori implementasi model GNN menggunakan PyTorch Geometric.
Akses Artefak Publik ↗PUBLIKASI TERKAIT
Karya Ilmiah yang Dihasilkan
Learning analytics untuk pengalaman belajar yang lebih adaptif di perguruan tinggi
Venue: Proceedings of the 12th International Conference on Educational Informatics (ICEI 2025)
Metadata Proyek
Tertarik Berdiskusi?
Buka peluang kerja sama riset, pertukaran data, atau bimbingan mahasiswa pada tema proyek ini.
Hubungi Peneliti ↗