Masa Depan Pembelajaran Bagaimana Jaringan Syaraf Tiruan Membentuk Pendidikan
DOI:
https://doi.org/10.30812/corisindo.v1.5351Keywords:
Jaringan Syaraf Tiruan, Pembelajaran Adaptif, Kecerdasan Buatan, Personaliasi Pembelajaran, Neural-Symbolic AI, Pendidikan Masa Depan, Interpretabilitas SistemAbstract
Di tengah tuntutan akan pembelajaran yang lebih personal dan adaptif, sistem pendidikan konvensional masih menghadapi kendala dalam menyesuaikan pendekatan pembelajaran dengan kebutuhan individu siswa. Meskipun teknologi kecerdasan buatan seperti Jaringan Syaraf Tiruan (JST) telah berkembang pesat, pemanfaatannya dalam bidang pendidikan masih terbatas, serta menimbulkan kekhawatiran terkait interpretabilitas sistem dan kesiapan infrastruktur pendidikan. Penelitian ini bertujuan untuk mengkaji bagaimana JST dapat membentuk masa depan pembelajaran melalui pendekatan Systematic Literature Review (SLR) terhadap publikasi ilmiah terpilih sejak tahun 2020. Metode ini melibatkan analisis terhadap 15 sumber referensi terbuka, mencakup jurnal, prosiding konferensi, dan tesis. Hasil kajian menunjukkan bahwa penerapan JST secara efektif meningkatkan kualitas pembelajaran adaptif, mempersonalisasi konten, dan meningkatkan hasil belajar hingga 20%. Selain itu, pendekatan neural-symbolic turut meningkatkan transparansi dan kepercayaan pengguna terhadap sistem. Penelitian ini menyimpulkan bahwa JST memiliki potensi besar dalam merevolusi pendidikan, namun implementasinya membutuhkan dukungan kebijakan, pelatihan pendidik, serta perlindungan data untuk menjamin keberlanjutan dan etika penggunaannya.
References
[1] I. Gligorea, M. Cioca, R. Oancea, A. T. Gorski, H. Gorski, and P. Tudorache, “Adaptive Learning Using Artificial Intelligence in e-Learning: A Literature Review,” Educ. Sci., vol. 13, no. 12, 2023, doi: 10.3390/educsci13121216.
[2] M. Joshi, “Adaptive Learning through Artificial Intelligence,” SSRN Electron. J., no. February, 2023, doi: 10.2139/ssrn.4514887.
[3] A. Akibu, “Tomorrow’s Classrooms: An Exploration of AI’s Role in Adaptive Learning,” 2024.
[4] A. Akavova, Z. Temirkhanova, and Z. Lorsanova, “Adaptive learning and artificial intelligence in the educational space,” E3S Web Conf., vol. 451, pp. 1–4, 2023, doi: 10.1051/e3sconf/202345106011.
[5] D. Hooshyar, R. Azevedo, and Y. Yang, “Augmenting Deep Neural Networks with Symbolic Educational Knowledge: Towards Trustworthy and Interpretable AI for Education,” Mach. Learn. Knowl. Extr., vol. 6, no. 1, pp. 593–618, 2024, doi: 10.3390/make6010028.
[6] P. Barbiero et al., “Interpretable Neural-Symbolic Concept Reasoning,” Proc. Mach. Learn. Res., vol. 202, pp. 1801–1825, 2023, doi: 10.5555/3618408.3618484.
[7] Ayobami O Ayeni, Rodney E Ovbiye, Ayomide S Onayemi, and Kayode E Ojedele, “AI-driven adaptive learning platforms: Enhancing educational outcomes for students with special needs through user-centric, tailored digital tools,” World J. Adv. Res. Rev., vol. 22, no. 3, pp. 2253–2265, 2024, doi: 10.30574/wjarr.2024.22.3.0843.
[8] S. Mallik and A. Gangopadhyay, “Proactive and reactive engagement of artificial intelligence methods for education: a review,” Front. Artif. Intell., vol. 6, 2023, doi: 10.3389/frai.2023.1151391.
[9] D. Baradari, N. Kosmyna, O. Petrov, R. Kaplun, and P. Maes, “NeuroChat: A Neuroadaptive AI Chatbot for Customizing Learning Experiences,” 2025, [Online]. Available: http://arxiv.org/abs/2503.07599
