Model Pembelajaran Adaptif Berbasis AI Kurangi Beban Kognitif Mahasiswa Vokasi

Natalia Sihombing S.Pd Kamis, Oktober 08, 2026
Ilustrasi by AI
FORMOSA NEWS

Mahasiswa pemula dalam pendidikan mekatronika vokasi sering kali menghadapi beban kognitif yang tinggi saat melakukan debugging kode pemrograman, yang kerap memicu frustrasi mental serta ketergantungan pasif pada kecerdasan buatan generatif. Penelitian ini dikembangkan dan dievaluasi oleh Mustamin dan Sirwan dari Departemen Pendidikan Teknik Elektronika, Universitas Negeri Makassar. Studi yang diterbitkan pada Juni 2026 dalam International Journal of Educational Technology Research (IJETR) ini penting untuk menunjukkan bagaimana perancangan perancah pedagogis berbasis kecerdasan buatan dapat menekan beban kognitif asing (extraneous cognitive load) serta mendorong kemampuan pemecahan masalah secara mandiri.

Latar belakang permasalahan ini berakar dari era Industri 4.0 dan Society 5.0, di mana penguasaan pemrograman komputer menjadi kompetensi dasar yang kompleks bagi mahasiswa mekatronika. Ketika galat atau error kode terjadi, pesan kompiler bawaan yang dipenuhi istilah teknis sering kali membebani kapasitas memori kerja mahasiswa, sementara penggunaan AI generatif secara tidak terarah berisiko menciptakan kebiasaan salin-tempel pasif tanpa memahami prinsip komputasi yang mendasarinya.

Metodologi penelitian ini menggunakan pendekatan Research and Development (R&D) dengan kerangka instruksional ADDIE (Analysis, Design, Development, Implementation, Evaluation). Model pembelajaran adaptif ini diterapkan dalam 8 sesi praktikum laboratorium yang melibatkan 21 mahasiswa aktif tahun pertama pada mata kuliah Pemrograman Python untuk Mekatronika. Pengumpulan data dilakukan melalui kuesioner kuantitatif skala Likert 5 poin pasca-aktivitas, lembar refleksi kualitatif, serta matriks log interaksi interaktif.

Berdasarkan hasil analisis data, temuan utama penelitian ini mengidentifikasi beberapa poin penting sebagai berikut:

  • Sumber Beban Kognitif Utama: Galat logika (logic errors) mencapai 66,7% dan masalah indentasi (indentation issues) mencapai 42,9% sebagai hambatan terbesar bagi pemula.
  • Penekanan Kebiasaan Pasif: Panduan prompt adaptif secara efektif menekan kebiasaan salin-tempel pasif dengan skor rata-rata rendah sebesar 2,33.
  • Peningkatan Kemandirian: Efikasi diri debugging mandiri meningkat signifikan dengan skor rata-rata 3,62 untuk identifikasi galat otonom, di mana 76,2% mahasiswa melakukan analisis independen sebelum berkonsultasi dengan AI.
  • Tingkat Penyelesaian Tugas: Sebanyak 85,7% mahasiswa berhasil merampungkan tugas harian secara tuntas dan melakukan modifikasi kode secara mandiri.
  • Respon Afektif Psikologis: Sebanyak 76,2% mahasiswa merasakan kelegaan kognitif serta kejelasan konseptual, sementara 23,8% lainnya menunjukkan peningkatan motivasi intrinsik.

Implikasi dari riset ini membuktikan bahwa integrasi perancah AI secara pedagogis dalam Zona Perkembangan Proximal (ZPD) berhasil mencapai Tingkat Kesiapterapan Teknologi (TRL) 4. Sebagaimana ditekankan oleh Mustamin dan Sirwan dari Universitas Negeri Makassar, pendekatan ini tidak hanya mengurangi beban mental repetitif bagi pengajar, tetapi juga membekali mahasiswa vokasi dengan keterampilan pemecahan masalah yang adaptif dan otonom di era teknologi modern.

Profil Singkat Penulis:

  • Mustamin, S.Pd., M.T. – Peneliti dan akademisi di Departemen Pendidikan Teknik Elektronika, Universitas Negeri Makassar, dengan fokus keahlian di bidang pendidikan mekatronika, sistem cerdas, dan teknologi pembelajaran vokasi.
  • Sirwan, S.Pd., M.Pd. – Peneliti dan akademisi di Departemen Pendidikan Teknik Elektronika, Universitas Negeri Makassar, yang aktif mendalami bidang rekayasa elektronika dan integrasi sistem perangkat lunak-perangkat keras.

Sumber Penelitian:

Natalia Sihombing S.Pd

Diposting oleh Natalia Sihombing S.Pd

Posting Komentar

0 Komentar