Implementasi Artificial Intelligence Berbasis Learning Analytics untuk Deteksi Dini Kesulitan Belajar Siswa dalam Pembelajaran Matematika: Systematic Literature Review

Abstract

Artificial Intelligence (AI) berbasis learning analytics memiliki potensi besar dalam mendeteksi dini kesulitan belajar siswa pada pembelajaran matematika serta memungkinkan pemberian intervensi yang lebih tepat sasaran. Artikel ini bertujuan untuk mengkaji secara sistematis implementasi AI berbasis learning analytics dalam deteksi dini kesulitan belajar matematika melalui peninjauan penelitian empiris dan kajian sistematis terkini. Proses kajian mengikuti pedoman PRISMA dan Kitchenham dengan penelusuran pada berbagai basis data utama serta seleksi studi berdasarkan kriteria tahun publikasi, konteks pendidikan, dan penggunaan model AI atau machine learning dalam memprediksi performa maupun kesulitan belajar siswa. Berbagai teknik diterapkan, seperti real-time neural network dengan data eye tracking untuk memprediksi kesulitan pada tugas kalkulus dan grafik, model jaringan saraf untuk memprediksi kesulitan matematika pada jenjang pendidikan awal, serta beragam algoritma klasifikasi, seperti Decision Tree, Random Forest, Support Vector Machine (SVM), Naive Bayes, dan regresi dalam kerangka predictive learning analytics. Secara umum, fitur yang dominan digunakan meliputi jejak aktivitas belajar pada sistem daring, nilai asesmen, data perilaku, dan emosi akademik. Hasil studi menunjukkan bahwa model AI mampu mengidentifikasi siswa berisiko dan mendeteksi kesulitan belajar matematika sejak dini dengan tingkat akurasi yang baik sehingga mendukung perancangan intervensi serta pembelajaran adaptif. Namun, masih terdapat keterbatasan terkait generalisasi lintas konteks, pemanfaatan hasil prediksi dalam praktik pembelajaran, serta isu etika dan privasi data. Temuan ini menegaskan urgensi pengembangan kerangka implementasi AI berbasis learning analytics yang etis, transparan, dan terintegrasi dengan peran guru dalam pembelajaran matematika