Dalam sebuah studi yang menargetkan sebuah sekolah negeri di Indonesia, SPRIX Education Foundation melaksanakan TOFAS, sebuah tes perhitungan berbasis komputer. Dengan menganalisis data log digital secara real-time (waktu nyata), seperti kecepatan menjawab dan akurasi seiring berjalannya waktu, kami mengungkap bagaimana siswa berinteraksi dengan soal-soal ujian. Melalui penelitian ini, kami telah mengidentifikasi empat profil perilaku yang berbeda di antara para siswa, bahkan pada mereka yang mencapai nilai akhir yang serupa.
Meskipun ujian tertulis tradisional secara efektif mengukur nilai yang dicapai siswa, ujian tersebut membuat proses sebenarnya mengenai bagaimana siswa berjuang selama ujian menjadi tidak terlihat. Dengan mengalihkan fokus dari nilai akhir ke proses pengerjaan ujian, pendekatan berbasis data ini mengidentifikasi hambatan belajar yang mendasarinya. Memberdayakan para pendidik dengan wawasan diagnostik ini memungkinkan sekolah untuk bergerak melampaui umpan balik yang seragam, serta memberikan bimbingan yang sangat personal dan berorientasi pada proses, yang disesuaikan dengan kebutuhan unik masing-masing siswa.
1. Perjuangan Tersembunyi di Balik Nilai Ujian yang Serupa
Ujian tertulis tradisional sangat efektif untuk mengukur nilai yang dicapai siswa, tetapi ujian ini sebagian besar tidak memperlihatkan proses sebenarnya mengenai bagaimana siswa berjuang saat mengerjakannya. Apakah mereka kehabisan waktu? Apakah mereka panik dan asal menebak? Apakah mereka menyerah begitu saja pada topik yang rumit?
Untuk mengungkap hambatan belajar yang tersembunyi ini, SPRIX Education Foundation melakukan sebuah studi menggunakan Test of Fundamental Academic Skills (TOFAS) —sebuah penilaian perhitungan dasar digital berdurasi 40 menit— di sebuah sekolah negeri di Indonesia. Dengan melacak data log digital secara real-time (waktu nyata) seperti kecepatan menjawab dan tingkat jawaban kosong, penelitian ini mengungkapkan kenyataan yang jelas: Meskipun siswa mencapai nilai yang serupa, perilaku mereka yang sebenarnya saat ujian dan tantangan manajemen waktu yang mereka hadapi bisa sangat berbeda.
Untuk menavigasi temuan ini, laporan ini disusun menjadi tiga bagian. Pertama, kami menguraikan empat profil pelajar berbeda yang diidentifikasi melalui analisis kami. Kedua, kami menyajikan bukti empiris —metrik digital spesifik selama durasi 40 menit— yang memvalidasi kelompok-kelompok ini. Terakhir, kami mendiskusikan bagaimana wawasan diagnostik ini dapat mengubah instruksi dari sekadar umpan balik yang seragam menjadi dukungan yang disesuaikan dengan kebutuhan siswa.
2.
Empat Profil Pelajar yang Diidentifikasi Melalui Data
Melalui analisis terhadap 165 siswa kelas 8, kami menemukan bahwa perilaku siswa dalam mengerjakan ujian diklasifikasikan ke dalam empat pola berbeda yang ditunjukkan pada Gambar 1. Penilaian ini berupa ujian digital berdurasi 40 menit yang terdiri dari 60 pertanyaan; detail lebih lanjut mengenai konten ini akan dijelaskan pada bagian berikutnya. Berikut adalah pandangan lebih dekat mengenai karakteristik unik dari masing-masing profil:
Profil A (Penjawab Stabil)
Performa: Tinggi (Nilai Rata-rata: 81,1% / 60 siswa).
Perilaku: Kecepatan yang stabil dan terkontrol di sepanjang ujian, tetapi membiarkan pertanyaan yang sangat rumit kosong di bagian paling akhir.
Profil B (Kesulitan Waktu)
Performa: Menengah-Rendah (Nilai Rata-rata: 42,9% / 66 siswa).
Perilaku: Terburu-buru di menit-menit terakhir, dan tingkat jawaban kosong terus meningkat seiring bertambah rumitnya topik.
Profil C (Penebak Cepat)
Performa: Menengah-Rendah (Nilai Rata-rata: 39,6% / 17 siswa).
Perilaku: Lonjakan kecepatan menjawab yang tiba-tiba di pertengahan ujian, dengan hampir tidak ada jawaban kosong meskipun akurasinya menurun.
Profil D (Cepat Menyerah)
Performa: Rendah (Nilai Rata-rata: 29,9% / 22 siswa).
Perilaku: Kecepatan awal yang sangat cepat, namun akurasinya sangat rendah di sepanjang ujian.
3. Bukti: Melacak 40 Menit Perilaku Pengerjaan Ujian
Apa yang diselesaikan oleh para siswa?
Studi ini menggunakan TOFAS Level 5, sebuah penilaian perhitungan dasar digital yang menggabungkan format pilihan ganda dan isian bebas. Dalam durasi 40 menit, para siswa mengerjakan 60 pertanyaan yang mengevaluasi lima topik matematika yang berbeda:
1. Bilangan Positif dan Negatif [misalnya, -7+6 dan (+28)÷(-4)]
2. Bentuk Aljabar [misalnya, 4x×(-6) dan (9x-1)-(-2x-8)]
3. Persamaan [misalnya, x+6 = 2 dan -4x+34 = -5+9x]
4. Ekspresi Dasar [misalnya, 4a-b+2a+3b dan 3(4x-3y)-5(x-4y)]
5. Sistem Persamaan [misalnya, 3x-2y=14 & 2x+2y=6]
Bagaimana profil-profil ini diidentifikasi?
Menggunakan data log TOFAS, yang direkam setiap 2 menit, kami menggabungkan tingkat akurasi kumulatif dan kecepatan menjawab siswa ke dalam interval 10 menit (Q1, Q2, Q3, dan Q4). Daripada membagi siswa berdasarkan kriteria subjektif atau sekadar ambang batas nilai, kedua metrik deret waktu ini dianalisis menggunakan teknik pembelajaran mesin statistik yang dikenal sebagai Latent Profile Analysis (LPA). Lebih lanjut, setelah profil terbentuk, kami memeriksa tingkat jawaban kosong mereka di kelima topik matematika tersebut untuk menguraikan karakteristik masing-masing kelompok.
Data spesifik yang mendorong terbentuknya masing-masing profil, yang digabungkan dalam Gambar 2 —yang melacak (a) akurasi kumulatif, (b) kecepatan menjawab dari waktu ke waktu, dan (c) tingkat jawaban kosong di lima topik matematika— dirinci di bawah ini:
Profil A (Penjawab Stabil / Nilai Rata-rata: 81,1% / 60 siswa)
Seperti yang ditunjukkan pada Gambar 2 (a), siswa-siswa ini mempertahankan tingkat akurasi yang tinggi sepanjang ujian, mencapai 85,6% pada menit ke-40. Gambar 2 (b) menunjukkan kecepatan menjawab yang stabil dan terkontrol sekitar 1,5 pertanyaan per menit. Gambar 2 (c) mengungkapkan bahwa kelompok ini mencatat tingkat kekosongan 16,8% pada topik terakhir (Sistem Persamaan).
Pola ini menunjukkan bahwa siswa berprestasi tinggi ini mungkin memprioritaskan akurasi daripada sekadar menyelesaikan semua soal, membiarkan pertanyaan yang sangat rumit tetap kosong alih-alih mengandalkan tebakan acak saat waktu hampir habis.
Profil B (Kesulitan Waktu / Nilai Rata-rata: 42,9% / 66 siswa)
Gambar 2 (b) menunjukkan peningkatan tajam dalam kecepatan menjawab mereka pada 10 menit terakhir (mencapai sekitar 2,45 pertanyaan/menit). Akibatnya, akurasi kumulatif mereka turun menjadi 46,1% pada Gambar 2 (a). Mengenai Gambar 2 (c), tingkat jawaban kosong mereka terus meningkat seiring berjalannya topik, mencapai 9,8% pada topik terakhir.
Tren peningkatan ini, dikombinasikan dengan kecepatan akhir yang terburu-buru, mungkin menunjukkan bahwa siswa-siswa ini pada awalnya mencoba mengerjakan pertanyaan tanpa melewatinya, tetapi saat waktu semakin mendesak, mereka semakin sering melewati soal-soal rumit sambil secara bersamaan mempercepat ritme mereka untuk menyelesaikan pertanyaan yang tersisa.
Profil C (Penebak Cepat / Nilai Rata-rata: 39,6% / 17 siswa)
Gambar 2 (b) mengungkapkan bahwa kecepatan menjawab mereka melonjak tajam pada interval 20–30 menit. Namun, seperti yang ditunjukkan pada Gambar 2 (a), akurasi mereka menurun pada periode yang sama. Lebih lanjut, Gambar 2 (c) menunjukkan bahwa tingkat jawaban kosong mereka tetap mendekati nol (1,0% pada topik terakhir).
Kombinasi kecepatan yang sangat tinggi, jawaban kosong yang nyaris nol, dan penurunan drastis pada akurasi kumulatif ini mungkin mengindikasikan “menebak dengan cepat” —sebuah perilaku di mana siswa berhenti memecahkan masalah secara sungguh-sungguh saat menghadapi konsep yang rumit dan dengan cepat memasukkan jawaban acak hanya agar dapat melewati ujian. Sebagai hasilnya, mereka pada dasarnya selesai lebih awal, yang menyebabkan aktivitas pengerjaan ujian yang sangat minim pada interval 10 menit terakhir.
Profil D (Cepat Menyerah / Nilai Rata-rata: 29,9% / 22 siswa)
Seperti yang ditunjukkan pada Gambar 2 (a), akurasi kumulatif mereka konsisten menjadi yang terendah di antara semua kelompok sepanjang ujian berlangsung. Terlepas dari akurasi yang rendah ini, Gambar 2 (b) mengungkapkan bahwa kecepatan menjawab mereka pada interval 0–10 (Q1) dan 10–20 (Q2) menit sebenarnya adalah yang tercepat di antara semua kelompok, sebelum turun tajam setelahnya.
Kombinasi kecepatan awal yang paling cepat dan akurasi terendah ini menunjukkan bahwa siswa-siswa tersebut terburu-buru dalam mengerjakan soal-soal awal tanpa perhitungan yang memadai.
4. Dari “Belajar Lebih Keras” Menjadi Dukungan yang Disesuaikan
Dengan ujian tertulis tradisional, nilai yang rendah biasanya menghasilkan saran yang seragam, seperti “belajar lebih keras” atau “lakukan lebih banyak latihan soal.”. Namun, setelah profil siswa diidentifikasi melalui data proses digital, para guru dapat menerapkan pendekatan pengajaran yang sama sekali berbeda bahkan untuk siswa dengan nilai rendah yang serupa.
Sebagai contoh, Profil A (Penjawab Stabil) dapat didorong untuk mencoba menyelesaikan soal-soal matematika yang lebih rumit dan aplikatif, sembari menerima panduan tentang strategi alokasi waktu untuk ujian-ujian penting; selain itu, terus melanjutkan latihan soal dasar juga sangat dianjurkan guna meningkatkan kecepatan berhitung mereka agar mereka dapat menyelesaikan seluruh ujian tepat waktu. Profil B (Kesulitan Waktu) dapat memperoleh manfaat dari pendekatan ganda: mempraktikkan latihan dasar untuk meningkatkan kecepatan perhitungan inti mereka, bersama dengan saran mengenai alokasi waktu sehingga mereka tidak terburu-buru saat berada di bawah tekanan waktu. Untuk Profil C (Penebak Cepat), data berfungsi sebagai indikator diagnostik, yang memungkinkan para guru untuk menentukan konsep-konsep spesifik di mana siswa kemungkinan besar kehilangan fokus. Sementara itu, Profil D (Cepat Menyerah) menandakan adanya potensi kebutuhan untuk mengulang kembali konsep-konsep dasar untuk mencegah rasa frustrasi di awal dan membantu mereka membangun kembali kepercayaan diri melalui langkah-langkah yang dapat dicapai.
Dengan cara ini, data penilaian digital tidak hanya berfungsi sebagai alat evaluasi, tetapi juga sebagai sistem pendukung yang memperingatkan para guru akan hambatan-hambatan yang mendasari permasalahan siswa. Harus diakui, keempat profil yang diidentifikasi dalam studi awal ini hanya mewakili klasifikasi dasar yang luas. Seiring dengan semakin banyaknya siswa secara global yang berpartisipasi dalam penilaian digital ini, kumpulan data yang terus berkembang akan memungkinkan kita untuk menemukan pola perilaku yang lebih rinci. Memperluas penelitian ini untuk menganalisis data besar (big data) pada skala yang lebih luas pada akhirnya akan memberikan sebuah alat yang ampuh untuk memberdayakan para guru di seluruh dunia dalam memberikan pengajaran yang sangat dipersonalisasi.
Press Release juga sudah tayang di VRITIMES
