DESAIN PEMBELAJARAN ABAD 21 : RUBRIK 21CLD

 Rubrik Pembelajaran 21CLD (21 Century Learning Desgn) dalah panduan berbasis riset dari Microsoft untuk merancang dan mengevaluasi aktivitas pembelajaran yang meningkatkan keterampilan siswa abad ke-21. Rubrik ini mencakup 6 dimensi: kolaborasi, konstruksi pengetahuan, regulasi diri, pemecahan masalah dunia nyata/inovasi, penggunaan TIK, dan komunikasi terampil. Setiap dimensi dinilai menggunakan 4-5 tingkat yang membantu guru mendesain ulang kegiatan belajar.

• Kolaborasi (Collaboration): Menilai sejauh mana siswa berbagi tanggung jawab dan membuat keputusan substantif bersama (contoh: desain bersama). Komponen Utama Rubrik Kolaborasi 21CLD

• • Berbagi Tanggung Jawab: Siswa berbagi tanggung jawab secara setara untuk produk akhir.
  • Keputusan Substantif Bersama: Siswa mengambil keputusan terkait konten, desain, atau substansi proyek bersama-sama.
  • Saling Ketergantungan (Interdependensi): Pekerjaan satu siswa bergantung pada hasil kerja siswa lain (bukan sekadar membagi tugas lalu disatukan). 

Tingkatan Rubrik Kolaborasi 21CLD

• • Level 1 (Terendah): Siswa bekerja secara individu atau tidak berkolaborasi dalam mengambil keputusan substansial.
  • Level 2: Siswa bekerja dalam kelompok, tetapi tidak berbagi tanggung jawab secara substantif (misal: berbagi tugas tanpa interdependensi).
  • Level 3: Siswa berbagi tanggung jawab, tetapi tidak mengambil keputusan substantif bersama.
  • Level 4: Siswa berbagi tanggung jawab dan membuat keputusan substantif bersama, namun tidak bekerja secara saling bergantung.
  • Level 5 (Tertinggi): Siswa berbagi tanggung jawab, membuat keputusan substantif bersama, dan bekerja secara saling bergantung untuk menghasilkan produk akhir. 
• Konstruksi Pengetahuan (Knowledge Construction): Mengukur apakah aktivitas menuntut siswa melampaui sekadar mengingat, memahami, atau mengaplikasikan, melainkan menganalisis, mensintesis, dan mengevaluasi untuk membangun pengetahuan baru. Berikut adalah detail konstruksi pengetahuan dalam rubrik 21CLD :
• • Tingkatan Konstruksi (Rubrik): Rubrik ini mengukur sejauh mana pembelajaran menuntut siswa membangun pengetahuan. Tingkat rendah hanya mengharuskan reproduksi informasi, sementara tingkat tinggi mengharuskan interpretasi, sintesis, dan evaluasi.
  • Transfer Pengetahuan: Konstruksi pengetahuan dianggap terjadi jika peserta didik menggunakan apa yang mereka pelajari untuk memecahkan masalah atau membuat produk di konteks yang berbeda (tidak hanya mengulang apa yang diajarkan).
  • Aktivitas Utama: Siswa terlibat dalam kegiatan seperti analisis data, merancang solusi, atau melakukan evaluasi kritis, bukan hanya membaca atau mendengar.
  • Peran Pendidik: Pendidik bertindak sebagai fasilitator yang merancang aktivitas berbasis praktik kolaboratif untuk membantu siswa berpikir tingkat tinggi, bukan hanya menyuapi informasi.
  • Hasil Pembelajaran: Konstruksi pengetahuan bertujuan menghasilkan pembelajaran yang mendalam, kontekstual, dan relevan dengan tantangan abad ke-21. 
• Regulasi Diri (Self-Regulation): Mengevaluasi apakah siswa merencanakan pekerjaan, mengatur diri sendiri, dan mendapatkan umpan balik untuk revisi. Rubrik regulasi diri dalam desain pembelajaran abad ke-21 (21CLD) dirancang untuk mengevaluasi sejauh mana aktivitas belajar mendorong peserta didik mengatur diri sendiri dalam proses belajarnya. Aktivitas belajar yang baik melibatkan kemampuan peserta didik untuk merencanakan, mengevaluasi, dan merevisi pekerjaan mereka berdasarkan umpan balik. Aktivitas terbaik bahkan mendorong revisi dan peningkatan karya secara berkelanjutan.
• Pemecahan Masalah Dunia Nyata & Inovasi (Real-World Problem Solving and Innovation): Fokus pada apakah aktivitas memecahkan masalah non-algoritmik (tidak ada jawaban langsung) dan berdampak di luar kelas.
• Penggunaan TIK untuk Pembelajaran (ICT for Learning): Menilai apakah teknologi digunakan sebagai alat untuk mengonstruksi pengetahuan, bukan sekadar mengganti pensil.
• Komunikasi Terampil (Skilled Communication): Mengukur apakah siswa menyajikan bukti pendukung dan menyesuaikan komunikasi dengan audiens tertentu.  Berikut adalah garis besar tingkat kompetensi rubrik Komunikasi Terampil (21CLD):

• • Tingkat 1 (Rendah): Siswa hanya menyampaikan informasi dasar, tidak memerlukan komunikasi yang didukung bukti, atau tidak terstruktur.
  • Tingkat 2: Siswa menyajikan ide, tetapi argumen belum didukung dengan bukti yang kuat atau belum disesuaikan sepenuhnya dengan audiens.
  • Tingkat 3: Siswa menyampaikan komunikasi yang terstruktur dan didukung bukti (data, fakta, argumen) untuk meyakinkan audiens.
  • Tingkat 4 (Tinggi): Siswa menggunakan komunikasi multimoda (kombinasi lisan, tertulis, visual) yang berkesinambungan, terstruktur, dan disesuaikan secara khusus untuk audiens target untuk mencapai tujuan tertentu. 

Kunci Komunikasi Terampil 21CLD:

• • Bukti Pendukung: Menyampaikan ide yang didukung data atau argumen logis.
  • Audiens & Tujuan: Menyesuaikan pesan, gaya, dan media untuk audiens spesifik.
  • Multimoda: Menggunakan kombinasi teks, audio, visual, atau digital

Read More

MACHINE LEARNING : PROJEK 1

 Machine Learning (ML) adalah salah satu cabang dari kecerdasan buatan (AI) yang memungkinkan komputer untuk belajar dari data tanpa diberi instruksi secara eksplisit. Machine Learning dapat membantu kita dalam membuat keputusan yang cerdas.

Saat ini, penerapan Machine Learning salah satunya adalah di bidang pendidikan. Penerapan teknologi Machine Learning dalam bidang pendidikan menawarkan potensi besar untuk meningkatkan efektivitas pembelajaran dan membantu memecahkan beberapa masalah yang dihadapi oleh siswa dan guru saat ini.

Dengan penerapan Machine Learning dalam bidang pendidikan, diharapkan dapat meningkatkan pengalaman belajar siswa, memberikan bantuan individual, dan membantu guru dalam mengelola kelas secara efisien, antara lain :

• Sistem Pemantauan Siswa, Machine Learning dapat digunakan untuk membangun sistem pemantauan siswa yang dapat menganalisis perilaku belajar mereka. Model Machine Learning dapat mempelajari data historis, seperti pola belajar, interaksi dengan materi, dan hasil tes, untuk mengidentifikasi pola yang dapat membantu dalam memahami kebutuhan belajar individu siswa dan memberikan rekomendasi yang sesuai.
• Personalisasi Pembelajaran, Dengan menggunakan Machine Learning, dapat dibangun sistem yang dapat menyediakan pengalaman pembelajaran yang dipersonalisasi untuk setiap siswa. Model Machine Learning dapat menganalisis data siswa, seperti gaya belajar, preferensi topik, tingkat pemahaman, dan tingkat kesulitan yang sesuai, untuk menyusun kurikulum yang disesuaikan dengan kebutuhan masing-masing siswa.
• Deteksi Plagiarisme, Machine Learning dapat digunakan untuk mengembangkan sistem deteksi plagiarisme yang dapat menganalisis karya tulis siswa dan membandingkannya dengan sumber daya online dan basis data lainnya. Model Machine Learning dapat mempelajari pola-pola plagiarisme dari data yang ada dan memberikan indikasi kemungkinan plagiarisme dalam karya tulis siswa.
• Prediksi Kinerja Siswa, Dengan menggunakan Machine Learning, dapat dikembangkan model prediksi kinerja siswa berdasarkan data historis, seperti hasil tes, kehadiran, partisipasi, dan faktor-faktor lainnya. Model ini dapat membantu guru dan administrator dalam mengidentifikasi siswa yang berisiko rendah atau tinggi, sehingga mereka dapat mengambil tindakan yang tepat untuk meningkatkan kinerja siswa.
• Sistem Pemberian Tugas Otomatis, Machine Learning dapat digunakan untuk membangun sistem yang dapat memberikan tugas secara otomatis kepada siswa berdasarkan kemampuan, minat, dan tingkat pemahaman mereka. Model Machine Learning dapat mempelajari data siswa, seperti hasil tes dan tanggapan terhadap tugas sebelumnya, untuk memberikan tugas yang sesuai dengan tingkat kesulitan yang tepat.
• Sistem Pemberian Umpan Balik Otomatis, Machine Learning dapat digunakan untuk mengembangkan sistem pemberian umpan balik otomatis kepada siswa berdasarkan pekerjaan mereka. Model Machine Learning dapat mempelajari contoh umpan balik yang diberikan oleh guru dan menghasilkan umpan balik yang relevan dan konstruktif berdasarkan kriteria yang telah ditentukan.

Langkah-langkah untuk membuat proyek antara lain :

• Langkah 1: Instalasi, Pertama, pastikan Anda memiliki semua alat yang diperlukan. Instal Python dan pustaka terkait seperti TensorFlow atau PyTorch.
  • bash
  • pip install tensorflow
  • pip install torch
• Langkah 2: Memahami Dataset, Dataset adalah kunci dalam coding AI. Data adalah bahan bakar yang menggerakkan algoritma AI Anda. Cari dataset yang relevan dengan proyek Anda di situs seperti Kaggle atau UCI Machine Learning Repository.
• Langkah 3: Pra-pemrosesan Data, Sebelum data bisa digunakan, biasanya perlu diproses terlebih dahulu. Ini bisa melibatkan pembersihan data, pengisian nilai yang hilang, dan normalisasi.
  • python
  • import pandas as pd
  • data = pd.read_csv(‘dataset.csv’)
  • data.fillna(method= class=”hljs-string”>’ffill’, inplace=True)
• Langkah 4: Membangun Model, Ini adalah bagian di mana sihir terjadi. Pilih algoritma yang sesuai dan bangun model AI Anda.
  • from tensorflow.keras.models import Sequential
  • from tensorflow.keras.layers import Dense model = Sequential()
  • model.add(Dense(64, activation= ‘relu’, input_dim=10))
  • model.add(Dense(1, activation=’sigmoid’)) model.compile optimizer=’adam’, loss=’binary_crossentropy’, metrics=[‘accuracy’])
• Langkah 5: Melatih Model, Setelah model dibangun, saatnya melatihnya dengan data Anda. Proses ini melibatkan memberi model data dan membiarkannya belajar dari data tersebut.
  • python
  • model.fit(data, labels, epochs=10, batch_size=32)
• Langkah 6: Evaluasi dan Tuning, Setelah model dilatih, evaluasi kinerjanya dan lakukan tuning jika diperlukan. Ini bisa melibatkan mengubah parameter model atau menggunakan lebih banyak data untuk pelatihan

Read More