Jumat, 12 Juni 2026

Menulis - Research Gap 2

https://drive.google.com/file/d/154OyxTPFD5M7zqrQF5PLJoWmX1g1FnJX/view?usp=drive_link

https://drive.google.com/file/d/1smmlkA4-VG90sd51QrCb1huVepjbT-Nk/view?usp=drive_link

Review Artikel

Judul: SME Development for Poverty Alleviation Using GIS and AHP-Based Multi-Criteria Decision Analysis
Penulis: Md. Ashrafuzzaman Pramanik, Abu Nayem Md. Kayes, Ashraf Uddin Fahim, Kazi Mst. Hurajannat Tuba
Jurnal: Sustainable Futures (Elsevier), Vol. 11, 2026

1. Ringkasan Artikel

Artikel ini membahas bagaimana pengembangan Usaha Kecil dan Menengah (UKM/SME) dapat digunakan sebagai strategi pengentasan kemiskinan di wilayah Chatmohor Upazila, Distrik Pabna, Bangladesh. Penelitian mengombinasikan pendekatan sosial-ekonomi dengan teknologi Geographic Information System (GIS) dan Analytical Hierarchy Process (AHP) untuk menentukan lokasi industri yang paling sesuai bagi pengembangan UKM.

Penelitian memiliki tiga tujuan utama:

Mengidentifikasi penyebab dan dampak kemiskinan.
Menentukan jenis industri kecil dan menengah yang sesuai dengan potensi lokal.
Menentukan lokasi terbaik untuk pengembangan industri menggunakan GIS dan AHP.

2. Latar Belakang

Penulis berangkat dari fakta bahwa UKM merupakan sektor yang berkontribusi besar terhadap:

Penciptaan lapangan kerja.
Peningkatan pendapatan masyarakat.
Diversifikasi ekonomi daerah.
Pengurangan kemiskinan.

Selain itu, penelitian ini mendukung pencapaian Sustainable Development Goal (SDG) 1: No Poverty, yaitu menghapus kemiskinan dalam segala bentuk pada tahun 2030.

Permasalahan utama di wilayah penelitian meliputi:

Tingkat kemiskinan yang tinggi.
Minimnya industrialisasi.
Keterbatasan akses pekerjaan.
Infrastruktur yang belum memadai.
Ketergantungan ekonomi pada sektor pertanian.

3. Metodologi Penelitian

Penelitian menggunakan pendekatan mixed methods yang menggabungkan metode kuantitatif dan kualitatif.

Pengumpulan Data

Data Primer

Household Survey
Participatory Rural Appraisal (PRA)
Focus Group Discussion (FGD)
Key Informant Interview (KII)

Data Sekunder

Landsat 8
USGS
LGED
Data statistik pemerintah Bangladesh

Metode Analisis

Penelitian menggunakan:

Statistik Deskriptif
Korelasi Pearson
Regresi Linier Berganda
Regresi Logistik Biner
Rank-Based Quotient (RBQ)
Analytical Hierarchy Process (AHP)
Multi-Criteria Decision Analysis (MCDA) berbasis GIS

4. Temuan Utama

A. Kondisi Kemiskinan

Penelitian menemukan bahwa:

80% responden hidup dalam kemiskinan ekstrem
37,5% tidak pernah bersekolah
Hanya 5,2% mencapai pendidikan tingkat sarjana

Penyebab Utama Kemiskinan

Faktor	Persentase
Kurangnya pendidikan	76%
Terbatasnya lapangan kerja	75%
Ekonomi tidak stabil	50%
Kebijakan pemerintah lemah	35%
Pilihan pribadi	25%

Analisis

Temuan ini menunjukkan bahwa kemiskinan lebih banyak disebabkan oleh faktor struktural daripada faktor individu.

B. Dampak Kemiskinan terhadap Kesehatan Mental

Melalui regresi logistik ditemukan bahwa:

Faktor yang berpengaruh signifikan terhadap kecemasan (anxiety):

Kurangnya peluang kerja
Kondisi ekonomi yang tidak stabil

dengan nilai signifikansi p < 0,05.

Faktor yang berpengaruh terhadap depresi:

Kurangnya kesempatan kerja
Ketidakstabilan ekonomi

juga signifikan secara statistik.

Kesimpulan

Kemiskinan tidak hanya berdampak pada ekonomi, tetapi juga pada kesehatan mental masyarakat.

C. Dampak Kemiskinan terhadap Kondisi Hidup

Terdapat hubungan positif antara pendapatan keluarga dengan:

Pendidikan anak
Sanitasi
Akses kesehatan
Kualitas hidup rumah tangga

Semakin tinggi pendapatan keluarga maka semakin baik akses terhadap layanan dasar.

5. Potensi Industri yang Direkomendasikan

Berdasarkan FGD, PRA, dan analisis sumber daya lokal, penelitian merekomendasikan:

Industri Kecil

Kerajinan gerabah
Industri rumah tangga
Industri pakaian
Industri bambu

Industri Menengah

Penggilingan padi
Pengolahan susu
Pengolahan rempah
Pengolahan hasil pertanian

Industri Besar

Agro-processing
Industri pengemasan
Cold storage
Industri makanan olahan

Temuan Penting

Industri agro-processing dianggap paling potensial karena:

Ketersediaan bahan baku pertanian yang melimpah.
Mendukung petani lokal.
Meningkatkan nilai tambah produk pertanian.

6. Analisis GIS dan AHP

Penelitian menggunakan empat kriteria utama dalam pemilihan lokasi industri:

Kriteria	Bobot
Growth Centre	55,79%
Land Use Land Cover (LULC)	26,33%
Rural Market	12,19%
Slope	5,69%

Interpretasi

Faktor kedekatan dengan pusat pertumbuhan ekonomi menjadi pertimbangan paling penting dibandingkan kondisi topografi.

7. Lokasi Industri yang Direkomendasikan

Penelitian menghasilkan empat lokasi prioritas:

1. Dekat Stasiun Kereta Chatmohor

Keunggulan:

Dekat transportasi
Upah tenaga kerja rendah
Akses logistik baik

2. Area Sekitar Stasiun Chatmohor

Keunggulan:

Mudah dijangkau penduduk
Mendukung Transit Oriented Development (TOD)

3. Somaj Union

Keunggulan:

Dekat jalan nasional
Potensial untuk industri pengolahan ikan dan susu

4. Mulgram Union

Keunggulan:

Dekat sungai
Bahan baku tersedia
Populasi pendukung cukup besar

8. Kelebihan Penelitian

1. Pendekatan Multidisiplin

Menggabungkan:

Ekonomi pembangunan
GIS
Statistik
Perencanaan wilayah

2. Metode Komprehensif

Menggunakan kombinasi:

AHP
GIS
MCDA
Regresi
PRA
FGD

yang menghasilkan analisis yang kuat.

3. Relevan terhadap SDGs

Penelitian secara langsung mendukung:

SDG 1 (No Poverty)
SDG 8 (Decent Work)
SDG 9 (Industry, Innovation and Infrastructure)

4. Hasil Praktis

Tidak hanya menjelaskan penyebab kemiskinan tetapi juga memberikan rekomendasi lokasi industri yang konkret.

9. Kelemahan Penelitian

1. Studi Kasus Terbatas

Penelitian hanya dilakukan pada satu Upazila sehingga generalisasi ke wilayah lain masih terbatas.

2. Belum Mengukur Dampak Lingkungan Secara Mendalam

Walaupun membahas keberlanjutan, penelitian belum melakukan analisis Environmental Impact Assessment (EIA) secara detail.

3. Ketergantungan pada Expert Judgment

Metode AHP sangat dipengaruhi oleh penilaian para ahli sehingga berpotensi menghasilkan bias subjektif.

4. Belum Ada Simulasi Ekonomi

Penelitian belum menghitung:

ROI investasi industri
Proyeksi penciptaan lapangan kerja
Dampak ekonomi jangka panjang

10. Kontribusi Ilmiah

Kontribusi utama penelitian ini adalah memperkenalkan model integratif:

Poverty Analysis + SME Development + GIS + AHP + MCDA

untuk mendukung pengambilan keputusan pembangunan industri berbasis wilayah. Model ini dapat direplikasi pada negara berkembang lain yang memiliki karakteristik kemiskinan dan ekonomi agraris serupa.

Kesimpulan Review

Artikel ini merupakan penelitian yang kuat, inovatif, dan aplikatif dalam bidang pembangunan ekonomi regional, GIS, dan pengentasan kemiskinan. Penulis berhasil menunjukkan bahwa pengembangan UKM yang didukung pemilihan lokasi industri berbasis GIS-AHP dapat menjadi strategi efektif untuk mengurangi kemiskinan, meningkatkan kesempatan kerja, dan mendukung pembangunan berkelanjutan. Meskipun masih memiliki keterbatasan pada aspek generalisasi dan analisis dampak lingkungan, artikel ini layak dijadikan referensi penting bagi peneliti, perencana wilayah, pemerintah daerah, dan pengambil kebijakan yang fokus pada pembangunan UKM dan pengurangan kemiskinan.

Sumber: Artikel SME Development for Poverty Alleviation Using GIS and AHP-Based Multi-Criteria Decision Analysis

Menulis - Mencari Research Gap

https://www.youtube.com/watch?v=TCCsx6CTz3c

https://www.youtube.com/watch?v=2YpEGhiKMPY&list=PLTmS6J2ndRuobwofZeqWtG2rz9cFqjR9u

https://www.youtube.com/watch?v=WnEqJaLnRLU&list=PLTmS6J2ndRury5reWAB1wNEQwj3AvLaWB

Kamis, 11 Juni 2026

Riset Software Engineering

https://drive.google.com/file/d/19uMcQhH4Vjo1eIIMmHmyDNfrKQTNH5NI/view?usp=drive_link

Riset Terkini dalam Software Engineering (2024–2026)

Sebagai dosen Software Engineering, saat ini terdapat beberapa bidang riset yang sangat berkembang dan memiliki peluang publikasi tinggi pada jurnal bereputasi (Scopus Q1/Q2). Tren terbesar didominasi oleh integrasi Artificial Intelligence (AI), Generative AI, DevOps, Cloud Native Architecture, dan Software Quality Engineering.

1. AI-Assisted Software Engineering

Fokus Penelitian

Penggunaan ChatGPT, GitHub Copilot, Gemini, Claude dalam SDLC.
AI untuk code generation.
AI untuk code review.
AI untuk debugging otomatis.
AI untuk dokumentasi perangkat lunak.

Contoh Topik Penelitian

Analisis Pengaruh GitHub Copilot terhadap Produktivitas Programmer.
Evaluasi Kualitas Kode yang Dihasilkan Generative AI.
Framework AI-Assisted Software Development untuk UMKM.

Publikasi Terbaru

Generative Software Engineering

Huang et al. (2024)

"Generative Software Engineering"

Mengkaji penggunaan LLM dan Generative AI pada seluruh fase Software Engineering.

AI-Driven Innovations in Software Engineering

Alenezi (2025)

Membahas dampak AI terhadap pengembangan perangkat lunak modern.

2. Generative AI for Requirements Engineering

Fokus Penelitian

AI untuk elicitation kebutuhan.
AI untuk User Story Generation.
AI untuk UML otomatis.
AI untuk Software Requirement Specification (SRS).

Contoh Topik

ChatGPT untuk Otomatisasi User Story.
Generative AI untuk Penyusunan Dokumen SRS.
AI-Based Requirement Validation.

Publikasi Terbaru

Generative AI for Requirements Engineering

Cheng et al. (2024)

Systematic Literature Review mengenai penggunaan Generative AI dalam Requirements Engineering.

3. Software Architecture & Cloud Native Engineering

Fokus Penelitian

Microservices.
Serverless Computing.
Kubernetes.
Cloud Architecture.
Containerization.

Contoh Topik

Evaluasi Arsitektur Microservices pada Marketplace.
Kubernetes Adoption Framework.
Cloud Native Software Development Maturity Model.

Publikasi Terbaru

Emerging Trends in Software Architecture

Su et al. (2025)

Mengidentifikasi tren dominan seperti Kubernetes, Cloud Native, Serverless, dan Observability dalam arsitektur perangkat lunak modern.

4. Software Testing dan Quality Assurance

Fokus Penelitian

Automated Testing.
AI Testing.
Mutation Testing.
Test Case Generation.
Continuous Testing.

Contoh Topik

AI-Based Test Case Generation.
Otomatisasi Pengujian Web Application menggunakan Selenium.
Framework UAT berbasis AI.

Publikasi Terbaru

Software Testing Evolution

Akhtar (2025)

Mengkaji evolusi metode pengujian perangkat lunak modern dan tantangan software quality assurance.

5. DevOps dan Continuous Delivery

Fokus Penelitian

CI/CD.
Infrastructure as Code.
DevSecOps.
Observability.
Site Reliability Engineering.

Contoh Topik

Implementasi DevOps pada Startup.
Pengukuran DevOps Maturity.
DevSecOps Framework untuk Sistem Akademik.

Publikasi Terbaru

Software Engineering Insights 2025

Menjelaskan hubungan AI, Cloud Computing, DevOps, dan CI/CD sebagai tren utama Software Engineering modern.

6. Software Engineering Education

Fokus Penelitian

Pembelajaran pemrograman dengan AI.
TPACK dalam Software Engineering.
AI Literacy untuk programmer.
Project Based Learning.

Contoh Topik

Pengaruh ChatGPT terhadap Kemampuan Coding Mahasiswa.
Model TPACK untuk Pembelajaran Software Engineering.
AI Literacy Framework bagi Mahasiswa Informatika.

Publikasi Terbaru

Software Engineering Education in the Era of Conversational AI

Sengul et al. (2024)

Membahas dampak AI dan LLM terhadap pendidikan Software Engineering dan kebutuhan penelitian lanjutan dalam kurikulum.

7. AI-Driven Empirical Software Engineering

Fokus Penelitian

Developer Productivity.
Human-AI Collaboration.
Software Analytics.
Evidence-Based Software Engineering.

Contoh Topik

Analisis Produktivitas Programmer Menggunakan AI.
Human-AI Pair Programming.
AI Adoption pada Tim Software Development.

Publikasi Terbaru

Generative AI and Empirical Software Engineering

Treude & Storey (2025)

Menjelaskan bagaimana Generative AI mengubah paradigma penelitian empiris dalam Software Engineering.

TPACK

https://drive.google.com/file/d/1oMJKQDKdmV3zHY9idfEmV6Us65gLuCu1/view?usp=drive_link

https://drive.google.com/file/d/1xDvzCTNgz59OFQDcL20jVEP2PquXEAmV/view?usp=drive_link

https://drive.google.com/file/d/1u0SQmS8bvtRjP0IKZK-RViKHzH_YJTFt/view?usp=drive_link

Publikasi Riset TPACK yang Banyak Dijadikan Referensi

1. Artikel Dasar TPACK (Paling Banyak Disitasi)

Technological Pedagogical Content Knowledge: A Framework for Teacher Knowledge

Mishra, P. & Koehler, M.J. (2006)

Kontribusi:

Memperkenalkan model TPACK.
Menjelaskan hubungan TK, PK, dan CK.
Menjadi fondasi hampir seluruh penelitian TPACK saat ini.

2. Pengembangan Instrumen Pengukuran TPACK

TPACK: The Development and Validation of an Assessment Instrument for Preservice Teachers

Schmidt et al. (2009)

Kontribusi:

Mengembangkan instrumen pengukuran TPACK.
Banyak digunakan untuk penelitian guru dan mahasiswa calon guru.

3. TPACK pada Pendidikan Sains

Preparing Teachers to Teach Science and Mathematics with Technology

Margaret L. Niess (2005)

Kontribusi:

Mengembangkan TPACK dalam pembelajaran IPA dan Matematika.
Menjelaskan bagaimana guru mengintegrasikan teknologi dalam pengajaran sains.

4. TPACK untuk Integrasi Teknologi dalam Kurikulum

Teachers' Technological Pedagogical Content Knowledge and Learning Activity Types

Harris, Mishra & Koehler (2009)

Kontribusi:

Menjelaskan desain aktivitas belajar berbasis teknologi menggunakan TPACK.

5. TPACK dan AI dalam Pendidikan

Strategic Integration of AI Chatbots in Physics Teacher Preparation

Kontribusi:

Mengintegrasikan AI Chatbot ke dalam pembelajaran fisika.
Mengembangkan TPACK dengan AI Literacy dan Prompt Engineering.

Minggu, 08 Februari 2026

Prediksi gaya belajar VAK

https://drive.google.com/file/d/1B9kOhnXvCB2yI3tN3_cGBPoGpvDY_lOt/view?usp=drive_link

Eksplorasi Model VAK untuk Memprediksi Gaya Belajar Mahasiswa Berdasarkan Aktivitas Pembelajaran

Abstrak

Sistem pembelajaran adaptif bertujuan meningkatkan efektivitas proses pendidikan dengan menyesuaikan materi, metode, dan evaluasi pembelajaran terhadap karakteristik individual peserta didik. Salah satu aspek penting dalam pembelajaran adaptif adalah gaya belajar mahasiswa, yang umumnya diklasifikasikan ke dalam gaya Visual, Auditori, dan Kinestetik (VAK). Penelitian ini bertujuan menganalisis aktivitas mahasiswa dalam Virtual Learning Environment (VLE) untuk memprediksi gaya belajar dominan mereka serta merekomendasikan metode evaluasi yang paling sesuai.

Penelitian ini mengusulkan sebuah sistem terpadu berbasis machine learning dan semantic association yang mengaitkan aktivitas belajar mahasiswa dengan model VAK. Dataset yang digunakan adalah Open University Learning Analytics Dataset (OULAD). Berbagai algoritma klasifikasi diuji, termasuk Support Vector Machine (SVM), Random Forest, K-Nearest Neighbor (KNN), Logistic Regression, dan Naive Bayes. Hasil penelitian menunjukkan bahwa algoritma Random Forest memberikan performa terbaik dengan akurasi hingga 98%. Temuan ini membuktikan bahwa integrasi learning analytics dan machine learning mampu meningkatkan personalisasi pembelajaran dan efektivitas sistem pembelajaran daring.

1. Pendahuluan

Pembelajaran adaptif menjadi pendekatan yang semakin penting dalam pendidikan modern karena kemampuannya untuk menyesuaikan proses belajar dengan kebutuhan, kemampuan, dan gaya belajar individu. Dengan memanfaatkan teknologi digital dan analisis data, sistem pembelajaran adaptif mampu meningkatkan keterlibatan mahasiswa dan hasil belajar secara lebih adil dan personal.

Meskipun demikian, implementasi pembelajaran adaptif masih menghadapi sejumlah tantangan, antara lain kesulitan dalam mengidentifikasi gaya belajar mahasiswa secara akurat, keterbatasan standar evaluasi efektivitas sistem adaptif, serta isu privasi data dan potensi bias algoritma. Penelitian ini berupaya menjawab tantangan tersebut dengan mengembangkan model prediksi gaya belajar berbasis aktivitas mahasiswa dalam lingkungan pembelajaran daring.

2. Pembelajaran Adaptif dan Pemodelan Mahasiswa

2.1 Pembelajaran Adaptif

Pembelajaran adaptif adalah sistem pembelajaran berbasis teknologi yang secara dinamis menyesuaikan konten, jalur belajar, dan metode evaluasi berdasarkan data interaksi dan kinerja peserta didik. Sistem ini memungkinkan mahasiswa belajar sesuai kecepatan dan preferensi mereka, sekaligus mengurangi beban pengajar melalui otomatisasi umpan balik dan penilaian.

2.2 Pemodelan Mahasiswa

Pemodelan mahasiswa (student modelling) merupakan proses representasi karakteristik, perilaku, dan perkembangan belajar mahasiswa dalam suatu sistem. Pendekatan modern menggunakan machine learning, data mining, dan teknologi semantik untuk memodelkan perilaku mahasiswa secara dinamis berdasarkan data interaksi nyata, bukan hanya profil statis.

3. Model VAK dan Semantic Association

Model VAK mengelompokkan gaya belajar menjadi:

Visual: belajar melalui gambar, grafik, video, dan visualisasi.
Auditori: belajar melalui suara, diskusi, ceramah, dan podcast.
Kinestetik: belajar melalui praktik langsung, simulasi, dan aktivitas fisik.

Penelitian ini menggunakan semantic association untuk menghubungkan aktivitas pembelajaran dengan kategori VAK. Teknologi semantik seperti WordNet dan perhitungan semantic similarity digunakan untuk memetakan istilah aktivitas pembelajaran ke dalam gaya belajar yang sesuai. Pendekatan ini memungkinkan pemetaan yang lebih fleksibel dan bermakna dibandingkan pencocokan kata secara langsung.

4. Metodologi Penelitian

Penelitian ini terdiri dari beberapa tahapan utama:

Pengumpulan dan pra-pemrosesan data dari OULAD
Pemetaan aktivitas mahasiswa ke gaya belajar VAK menggunakan teknik semantik
Klasifikasi gaya belajar mahasiswa dengan algoritma machine learning
Rekomendasi materi dan metode evaluasi berdasarkan gaya belajar
Evaluasi performa model menggunakan metrik akurasi, presisi, recall, dan F1-score

Algoritma yang diuji meliputi SVM, Random Forest, KNN, Logistic Regression, dan Naive Bayes.

5. Hasil dan Pembahasan

Hasil eksperimen menunjukkan bahwa:

Random Forest memberikan performa terbaik dengan akurasi hingga 98%, presisi 97%, dan recall 99%.
SVM juga menunjukkan performa tinggi dengan akurasi sekitar 96%.
KNN memiliki performa paling rendah dibandingkan algoritma lainnya.

Model yang diusulkan mampu mengklasifikasikan gaya belajar mahasiswa secara akurat serta merekomendasikan metode evaluasi yang sesuai, seperti:

Evaluasi berbasis visual untuk pembelajar visual
Evaluasi lisan atau diskusi untuk pembelajar auditori
Evaluasi praktik atau simulasi untuk pembelajar kinestetik

Pendekatan ini terbukti meningkatkan relevansi evaluasi dan keterlibatan mahasiswa dalam proses pembelajaran.

6. Kesimpulan dan Rekomendasi

Penelitian ini membuktikan bahwa prediksi gaya belajar mahasiswa berbasis aktivitas VLE dapat dilakukan secara akurat menggunakan machine learning, khususnya algoritma Random Forest. Integrasi model VAK dengan semantic association dan learning analytics memungkinkan personalisasi pembelajaran dan evaluasi secara efektif.

Namun, penelitian ini masih memiliki keterbatasan, antara lain penggunaan satu sumber data VLE dan ketergantungan pada fitur aktivitas saja. Penelitian selanjutnya disarankan untuk:

Menguji model pada berbagai platform LMS
Menggabungkan data demografis dan survei gaya belajar
Mengembangkan model hibrida dengan teknik AI lanjutan

Digital Competence

https://drive.google.com/file/d/15yzPhRZVAh4WJQBdRjrziptpUBwkQ3IU/view?usp=drive_link

Studi tentang Persepsi Diri Mahasiswa Pendidikan Tinggi terhadap Kompetensi Digital untuk Pembelajaran dan Partisipasi Kehidupan Digital Sehari-hari

Abstrak

Perkembangan lingkungan digital yang semakin kompleks menuntut individu memiliki kompetensi digital yang tidak hanya berorientasi pada penguasaan teknologi, tetapi juga mencakup sikap, perilaku, dan kesadaran sebagai warga digital. Meskipun diskursus mengenai literasi dan kompetensi digital semakin berkembang, strategi pendidikan tinggi belum sepenuhnya mengadopsi kompetensi digital sebagai literasi inti yang bersifat menyeluruh.

Penelitian ini bertujuan untuk mengeksplorasi persepsi diri mahasiswa terhadap kompetensi digital mereka dalam konteks pembelajaran dan partisipasi kehidupan digital sehari-hari. Penelitian menggunakan survei terhadap mahasiswa Ilmu Perpustakaan dan Informasi di tiga institusi pendidikan tinggi di Skotlandia, Irlandia, dan Yunani. Instrumen penelitian mengkaji kompetensi teknis dan kompetensi tingkat lanjut, termasuk literasi informasi, penciptaan konten digital, riset digital, serta pengelolaan identitas digital.

Hasil penelitian menunjukkan bahwa mahasiswa masih mengalami kekurangan kompetensi pada beberapa area penting, khususnya literasi informasi, penciptaan konten digital, riset digital, dan manajemen identitas digital. Selain itu, kompetensi digital mahasiswa sangat dipengaruhi oleh pengalaman digital yang mereka peroleh dalam kehidupan sehari-hari. Semakin tinggi kompetensi digital yang dirasakan mahasiswa dalam konteks kehidupan sehari-hari, semakin tinggi pula kompetensi digital yang mereka rasakan dalam konteks pembelajaran akademik. Studi ini menegaskan perlunya pendidikan tinggi memandang kompetensi digital sebagai proses pembelajaran sepanjang hayat yang berkembang lintas konteks.

1. Pendahuluan

Kebutuhan akan individu yang kompeten secara digital semakin mengemuka seiring berkembangnya teknologi dan internet dalam berbagai aspek kehidupan, termasuk pendidikan, pekerjaan, partisipasi kewargaan, dan kesehatan. Kompetensi digital tidak lagi dipahami sebatas kemampuan menggunakan perangkat teknologi, tetapi juga mencakup pola pikir digital yang kritis, reflektif, dan bertanggung jawab.

Dalam konteks pendidikan tinggi, mahasiswa sering diasumsikan sebagai “digital native” yang secara otomatis memiliki kompetensi digital yang memadai. Namun, berbagai penelitian menunjukkan bahwa asumsi ini tidak sepenuhnya benar. Mahasiswa memiliki latar belakang sosial, ekonomi, dan pengalaman digital yang beragam, sehingga tingkat kompetensi digital mereka juga berbeda-beda. Kondisi ini berpotensi memperlebar kesenjangan digital apabila tidak ditangani secara sistematis oleh institusi pendidikan tinggi.

2. Kerangka Konseptual Kompetensi Digital

2.1 Penguasaan Teknologi dan Pola Pikir Digital

Kompetensi digital dalam penelitian ini dipahami melalui dua dimensi utama:

Penguasaan teknologi (technology mastery), yaitu kemampuan teknis dalam menggunakan perangkat, aplikasi, dan layanan digital.
Pola pikir kewargaan digital (digital citizenship mindset), yaitu sikap, nilai, dan perilaku yang mencerminkan partisipasi digital yang kritis, etis, dan bertanggung jawab.

Kerangka ini sejalan dengan European Digital Competence Framework for Citizens (DigComp) yang membagi kompetensi digital ke dalam beberapa area, seperti literasi informasi dan data, komunikasi dan kolaborasi, penciptaan konten digital, keamanan, pemecahan masalah, serta pembelajaran sepanjang hayat.

3. Metodologi Penelitian

Penelitian ini menggunakan metode survei dengan responden mahasiswa dari tiga universitas di Eropa. Instrumen survei disusun berdasarkan kerangka DigComp dan Digital Capabilities Framework dari JISC. Survei mengukur persepsi diri mahasiswa terhadap kompetensi digital mereka menggunakan skala Likert lima tingkat, mulai dari pemula hingga ahli.

Kompetensi digital yang diukur mencakup:

Partisipasi digital dalam kehidupan sehari-hari (e-democracy, e-government, e-health, e-learning, e-leisure)
Kemahiran TIK dan produktivitas digital
Literasi informasi dan riset digital
Penciptaan konten dan inovasi digital
Komunikasi digital
Pengelolaan identitas dan kesejahteraan digital

4. Hasil Penelitian dan Pembahasan

Hasil penelitian menunjukkan bahwa sebagian besar mahasiswa menilai kompetensi digital mereka berada pada tingkat menengah (intermediate). Kompetensi yang relatif tinggi ditemukan pada aktivitas berbasis hiburan dan pembelajaran informal digital (e-leisure dan e-learning). Sebaliknya, kompetensi yang relatif rendah ditemukan pada:

Penciptaan konten digital
Inovasi digital
Literasi informasi tingkat lanjut
Manajemen identitas dan reputasi digital

Temuan penting lainnya menunjukkan adanya hubungan yang kuat antara kompetensi digital dalam kehidupan sehari-hari dengan kompetensi digital akademik. Mahasiswa yang terbiasa menggunakan teknologi digital secara aktif dan reflektif dalam kehidupan sehari-hari cenderung memiliki kompetensi digital yang lebih baik dalam konteks pembelajaran dan tugas akademik.

5. Implikasi bagi Pendidikan Tinggi

Hasil penelitian ini mengindikasikan bahwa pendidikan tinggi belum sepenuhnya mengintegrasikan pengembangan kompetensi digital secara holistik dalam kurikulum. Pendekatan yang terlalu berfokus pada keterampilan teknis dasar berpotensi mengabaikan dimensi kewargaan digital, etika, dan refleksi kritis.

Oleh karena itu, institusi pendidikan tinggi perlu:

Mengintegrasikan kompetensi digital sebagai literasi inti lintas mata kuliah
Mengakui dan memetakan pengalaman digital mahasiswa sebelum merancang intervensi pembelajaran
Mengembangkan strategi pembelajaran yang mendukung refleksi, kreativitas, dan tanggung jawab digital
Mendorong pembelajaran sepanjang hayat melalui penguatan identitas digital dan kesejahteraan digital

6. Kesimpulan

Penelitian ini menegaskan bahwa kompetensi digital mahasiswa berkembang melalui interaksi antara pengalaman kehidupan sehari-hari dan konteks pendidikan formal. Pendidikan tinggi memiliki peran strategis dalam menjembatani kesenjangan digital dengan mengembangkan kompetensi digital secara menyeluruh, tidak hanya sebagai keterampilan teknis, tetapi juga sebagai bagian dari pembentukan warga digital yang kritis, etis, dan adaptif terhadap perubahan teknologi.

TVET Personal Learning TUAH

https://drive.google.com/file/d/1RDaQKYJ8pqHNn6H_jc1ZuT5G1MXthZQO/view?usp=drive_link

Judul

Peningkatan Pembelajaran Personal dalam Pendidikan Teknik melalui TUAH Digital Portfolio: Kerangka Kerja TVET yang Berkeadilan di Malaysia

Abstrak

Integrasi teknologi digital dalam Pendidikan dan Pelatihan Teknik dan Vokasional (TVET) menjadi faktor kunci dalam menyiapkan tenaga kerja yang selaras dengan tuntutan Industri 4.0. Artikel ini memperkenalkan kerangka TUAH Digital Portfolio, sebuah pendekatan inovatif untuk mendukung pembelajaran personal serta pendokumentasian capaian mahasiswa secara sistematis dalam pendidikan teknik. Kerangka ini memanfaatkan teknologi digital untuk mengakomodasi keragaman gaya belajar mahasiswa serta meningkatkan keterlibatan belajar melalui pengembangan dan kurasi portofolio digital.

Dengan memanfaatkan ekosistem Apple dan aplikasi bawaan, penelitian ini mengembangkan konten digital orisinal pada beberapa mata kuliah teknik yang mengintegrasikan unsur multimedia dan komponen interaktif. Metode penelitian menggunakan pendekatan campuran (mixed-method) untuk mengevaluasi dampak penggunaan portofolio digital terhadap kinerja akademik, motivasi belajar, dan kesiapan kerja mahasiswa. Hasil penelitian menunjukkan bahwa TUAH Digital Portfolio tidak hanya mendukung pembelajaran personal, tetapi juga berfungsi sebagai repositori komprehensif kompetensi mahasiswa yang mampu meningkatkan visibilitas dan daya saing lulusan di dunia kerja. Studi ini menegaskan potensi portofolio digital sebagai instrumen transformatif dalam mewujudkan TVET yang adil dan relevan dengan konteks pendidikan Malaysia.

Kata kunci: pembelajaran personal, portofolio digital, pengembangan konten digital, pendidikan TVET

I. Pendahuluan

Perkembangan pesat Industri 4.0 mendorong transformasi signifikan dalam sistem Pendidikan dan Pelatihan Teknik dan Vokasional (TVET). Perubahan ini menuntut institusi pendidikan untuk membekali mahasiswa dengan keterampilan digital dan kompetensi yang relevan dengan kebutuhan industri modern. Di Malaysia, penguatan TVET merupakan bagian penting dari visi nasional untuk menjadi pusat pendidikan global. Namun demikian, tantangan utama yang masih dihadapi adalah memastikan akses pendidikan yang berkualitas dan berkeadilan bagi seluruh peserta didik dengan latar belakang dan gaya belajar yang beragam.

Metode pembelajaran konvensional dalam pendidikan teknik yang cenderung bersifat satu arah dan seragam sering kali tidak mampu mengakomodasi kebutuhan individual mahasiswa. Kondisi ini berpotensi menurunkan keterlibatan belajar serta hasil pembelajaran, khususnya bagi mahasiswa yang tidak sesuai dengan pola belajar tradisional. Selain itu, minimnya sistem pendokumentasian capaian dan keterampilan mahasiswa secara menyeluruh menjadi hambatan dalam penilaian kompetensi yang utuh dan relevan dengan kebutuhan dunia kerja.

Penelitian ini bertujuan untuk mengatasi permasalahan tersebut melalui pengembangan kerangka TUAH Digital Portfolio, yang dirancang untuk mendukung pembelajaran personal dan pendokumentasian capaian mahasiswa secara sistematis dalam pendidikan teknik. Dengan mengintegrasikan teknologi digital seperti multimedia dan realitas tertambah (augmented reality), kerangka ini diharapkan mampu menciptakan lingkungan belajar yang lebih inklusif, menarik, dan adaptif terhadap perbedaan gaya belajar mahasiswa.

II. Tinjauan Pustaka

A. Peran Teknologi Digital dalam TVET

Teknologi digital telah menjadi komponen integral dalam pendidikan modern, khususnya pada sektor TVET yang menekankan keterampilan praktis dan aplikatif. Implementasi teknologi secara strategis dapat mendukung pembelajaran berbasis keterampilan, meningkatkan keterlibatan mahasiswa, serta mensimulasikan lingkungan kerja nyata. Di Universiti Teknikal Malaysia Melaka (UTeM), integrasi teknologi ini sejalan dengan inisiatif TUAH (Tangkas, Unggul, Adaptif, Holistik) yang bertujuan menghasilkan lulusan yang tidak hanya kompeten secara teknis, tetapi juga adaptif dan berkarakter.

Kerangka TUAH Digital Portfolio dikembangkan untuk mendukung inisiatif tersebut dengan menyediakan sarana bagi mahasiswa dalam membangun portofolio personal yang mendokumentasikan capaian akademik dan praktik secara terstruktur.

B. Pembelajaran Personal dan Portofolio Digital

Pembelajaran personal menekankan penyesuaian pengalaman belajar sesuai kebutuhan, minat, dan preferensi peserta didik. Data preferensi belajar VARK menunjukkan bahwa mahasiswa memiliki kecenderungan gaya belajar yang berbeda-beda, sehingga memerlukan pendekatan pembelajaran yang lebih fleksibel dan variatif.

Portofolio digital berperan sebagai alat refleksi, dokumentasi, dan presentasi kompetensi mahasiswa. Penelitian terdahulu menunjukkan bahwa portofolio digital mampu meningkatkan motivasi belajar, kemandirian, serta kesiapan kerja mahasiswa melalui penyajian bukti autentik kemampuan yang relevan dengan kebutuhan industri.

III. Metodologi Penelitian

Penelitian ini menggunakan pendekatan mixed-method yang dilaksanakan dalam lima tahap utama, yaitu:

Pengembangan konten digital
Implementasi pembelajaran personal
Pengembangan modul pembuatan portofolio
Implementasi portofolio digital mahasiswa
Evaluasi kinerja dan dampak pembelajaran

Kerangka TUAH Digital Portfolio mengintegrasikan pengembangan konten digital berbasis model SAMR, pembelajaran melalui Learning Management System (LMS), serta penyimpanan portofolio mahasiswa berbasis cloud.

IV. Hasil dan Pembahasan

Hasil implementasi menunjukkan peningkatan signifikan pada keterlibatan mahasiswa, interaksi pembelajaran, dan hasil akademik. Sebanyak 85% mahasiswa menyatakan bahwa konten digital membuat materi pembelajaran lebih mudah dipahami dan menarik. Waktu interaksi mahasiswa dengan materi pembelajaran meningkat sekitar 40%, sementara partisipasi dalam kuis dan diskusi daring mengalami peningkatan dua kali lipat.

Dari sisi kinerja akademik, nilai rata-rata mahasiswa meningkat dari 70% menjadi 78%, dan jumlah mahasiswa dengan nilai di atas 80% meningkat sebesar 30%. Selain itu, tingkat kepercayaan diri dan motivasi intrinsik mahasiswa juga mengalami peningkatan signifikan setelah penggunaan portofolio digital.

V. Rekomendasi

Berdasarkan hasil penelitian, portofolio digital direkomendasikan untuk diintegrasikan sebagai komponen inti dalam kurikulum TVET. Institusi pendidikan perlu:

Meningkatkan dukungan infrastruktur digital
Memberikan pelatihan berkelanjutan bagi dosen dan mahasiswa
Memperluas implementasi ke bidang keilmuan lain
Mengembangkan integrasi teknologi lanjutan seperti AI dan VR
Membangun kolaborasi dengan dunia industri

VI. Kesimpulan

Kerangka TUAH Digital Portfolio terbukti efektif dalam meningkatkan pembelajaran personal, kinerja akademik, serta kesiapan kerja mahasiswa TVET. Dengan menyediakan platform terstruktur untuk mendokumentasikan dan memamerkan capaian belajar, portofolio digital berpotensi menjadi instrumen penting dalam transformasi pendidikan vokasional yang berkeadilan dan relevan dengan tuntutan Industri 4.0.