Abstrak

Artificial Intelligence (AI) telah menjadi inovasi kunci dalam dunia pendidikan, menghadirkan berbagai transformasi dalam pembelajaran, evaluasi akademik, dan pengambilan keputusan. AI berperan dalam menyediakan asisten virtual, chatbot edukasi, serta sistem pembelajaran adaptif yang dapat menyesuaikan materi berdasarkan kebutuhan individu. Namun, meskipun teknologi AI terus berkembang, penerapannya dalam dunia pendidikan masih menghadapi tantangan, terutama dalam klasifikasi peran AI dan optimalisasi pemanfaatannya. Analisis bertujuan untuk mengidentifikasi dan mengelompokkan bidang utama penerapan AI dalam pembelajaran melalui analisis klasterisasi berbasis kata kunci dan abstrak dari 84 artikel ilmiah. Hasil penelitian menunjukkan bahwa AI dalam pendidikan dapat dikategorikan ke dalam lima klaster utama: (1) AI dalam kesehatan dan perawatan pasien, (2) AI dalam pendidikan dan pembelajaran, (3) AI dalam desain dan kreativitas, (4) AI dalam IoT dan infrastruktur pintar, serta (5) AI dalam pengambilan keputusan dan sistem pakar. Analisis lebih lanjut mengungkapkan bahwa bidang pendidikan dan pembelajaran merupakan klaster dominan dengan jumlah penelitian terbanyak, diikuti oleh bidang kesehatan dan desain berbasis AI. Temuan ini menegaskan perlunya pengembangan kerangka kerja yang lebih jelas dalam pemanfaatan AI di dunia pendidikan untuk memastikan bahwa teknologi ini dapat diintegrasikan secara efektif. Dengan memahami tren utama penelitian AI dalam pembelajaran, para pemangku kebijakan dan akademisi dapat merancang strategi implementasi yang lebih terarah guna meningkatkan kualitas pendidikan yang lebih adaptif, inklusif, dan berbasis data.

Kata kunci: Kecerdasan Buatan, AI dalam Pendidikan, Machine Learning, Pembelajaran Adaptif, Analisis Klaster, Chatbot Edukasi.

LATAR BELAKANG

Artificial Intelligence (AI) telah menjadi salah satu inovasi terbesar dalam dunia pendidikan, menghadirkan berbagai transformasi dalam metode pembelajaran, asesmen, dan pengambilan keputusan akademik. AI telah mengubah cara siswa belajar dan guru mengajar dengan menghadirkan sistem berbasis otomatisasi, chatbot edukasi, serta pembelajaran adaptif yang mampu menyesuaikan materi berdasarkan kebutuhan individu (Chiu et al., 2023; Antoniadi et al., 2021). Teknologi ini memungkinkan personalisasi pembelajaran yang lebih efektif, memberikan dukungan bagi pendidik dalam menilai kinerja siswa secara real-time, serta meningkatkan akses terhadap pendidikan inklusif melalui sistem interaktif yang berbasis kecerdasan buatan (Zhang & Zhang, 2024; Hamburg et al., 2019).

Meskipun AI telah membawa banyak manfaat dalam dunia pendidikan, penerapan teknologi ini masih menghadapi berbagai tantangan, terutama dalam hal klasifikasi dan pengelompokkan yang jelas terhadap peran AI dalam sistem pembelajaran. Institusi pendidikan dan pemangku kebijakan masih kesulitan menentukan bidang prioritas dalam implementasi AI, sehingga teknologi ini sering berkembang secara sporadis dan belum dimanfaatkan secara optimal untuk meningkatkan efektivitas pembelajaran (Ali et al., 2023; Rana & Shuford, 2024). Kurangnya standar yang jelas dalam integrasi AI di dunia pendidikan menyebabkan adanya kesenjangan dalam pengembangan teknologi, baik dalam aspek pedagogi, asesmen, maupun evaluasi akademik (Lu et al., 2022; Tammets & Ley, 2023).

Oleh karena itu, penting untuk mengembangkan sistem klasifikasi yang lebih komprehensif guna memahami bagaimana AI dapat dioptimalkan dalam pendidikan. Dengan kerangka yang lebih jelas, pemanfaatan AI dapat lebih strategis, efektif, dan berkontribusi terhadap peningkatan kualitas pendidikan secara menyeluruh (Friedman, 2001; Miller, 2019; Rudin, 2019). Pendekatan berbasis klaster dapat membantu dalam mengidentifikasi bidang prioritas, seperti penggunaan AI dalam desain pengalaman belajar, sistem pendukung keputusan akademik, serta pembelajaran berbasis metakognisi.

PERAN AI DALAM AKTIVITAS BELAJAR

Artificial Intelligence (AI) semakin berperan dalam dunia pendidikan dengan memberikan berbagai dukungan bagi pembelajaran dan pengajaran. AI mendukung proses pembelajaran dengan menyediakan asisten virtual dan chatbot yang mampu memberikan umpan balik secara real-time kepada siswa (Chiu et al., 2023; Antoniadi et al., 2021). AI juga membantu guru dalam menyediakan dukungan pengajaran yang lebih personalisasi, sehingga siswa dapat menerima pembelajaran yang sesuai dengan kebutuhan mereka (Zhang & Zhang, 2024; Hamburg et al., 2019). Selain itu, AI memungkinkan penerapan model pembelajaran berbasis metakognisi, yang membantu siswa dalam mengembangkan strategi berpikir kritis dan reflektif melalui sistem pendukung berbasis AI (Yang & Xia, 2023). Dalam ranah pembelajaran bahasa, AI digunakan sebagai alat untuk meningkatkan keterampilan berbahasa asing, dengan fitur seperti ChatGPT yang mendukung pengajaran bahasa kedua (Amin, 2023; Octavio et al., 2024). Lebih lanjut, AI berkontribusi dalam evaluasi otomatis dan pengukuran pembelajaran, yang membantu pendidik dalam menilai perkembangan siswa dengan lebih efisien (Ali et al., 2023; Rana & Shuford, 2024). Dengan adanya AI, pendidikan menjadi lebih inklusif, interaktif, dan adaptif, sehingga mampu meningkatkan motivasi dan hasil belajar siswa di berbagai tingkat pendidikan (Lu et al., 2022; Tammets & Ley, 2023).

Machine Learning dan teknik boosting berperan penting dalam meningkatkan akurasi prediksi dan efisiensi pemrosesan data dalam berbagai bidang, termasuk pendidikan dan penelitian kecerdasan buatan. Gradient Boosting Machines (GBM) digunakan untuk menggabungkan sejumlah model keputusan sederhana guna menciptakan prediksi yang lebih akurat dan stabil (Friedman, 2001). XGBoost dikembangkan sebagai versi yang lebih cepat dan efisien dari teknik boosting tradisional, yang memungkinkan pengolahan data dalam jumlah besar dengan optimalisasi memori dan komputasi (Chen & Guestrin, 2016). Dalam pendidikan, machine learning membantu institusi dalam mengembangkan model pembelajaran adaptif yang mampu menyesuaikan materi berdasarkan pola belajar siswa (Lipton, 2018). Selain itu, teknik boosting diterapkan dalam analisis performa akademik, di mana algoritma AI dapat menganalisis faktor-faktor yang mempengaruhi kesuksesan belajar siswa dengan lebih akurat (Ribeiro et al., 2016). Dalam dunia penelitian, boosting memungkinkan ilmuwan data untuk menggunakan model yang lebih interpretable, sehingga hasil prediksi dapat dijelaskan dan divalidasi secara lebih transparan (Holzinger et al., 2019). Dengan kemampuannya yang fleksibel dan akurat, teknik boosting telah menjadi bagian penting dalam pengembangan AI modern, memungkinkan analisis data yang lebih cerdas, cepat, dan adaptif di berbagai sektor (Miller, 2019; Rudin, 2019).

Artificial Intelligence (AI) dan interpretabilitas model dalam jaringan saraf memainkan peran penting dalam meningkatkan transparansi dan kepercayaan terhadap sistem pembelajaran mesin. Grad-CAM digunakan untuk memvisualisasikan bagian gambar yang paling berkontribusi terhadap keputusan model jaringan saraf, sehingga membantu peneliti dan praktisi dalam memahami bagaimana model deep learning membuat keputusan (Selvaraju et al., 2020; Bach et al., 2015). Selain itu, teknik Layer-wise Relevance Propagation (LRP) memungkinkan sistem AI untuk melacak kontribusi setiap fitur input terhadap hasil prediksi, yang sangat berguna dalam menganalisis model pembelajaran mesin yang kompleks (Lipton, 2018; Rudin, 2019). Dalam bidang medis, teknik interpretabilitas ini diterapkan dalam sistem pendukung keputusan klinis (CDSS) untuk menjelaskan prediksi AI dalam diagnosis penyakit, sehingga dokter dapat memverifikasi dan memahami alasan di balik rekomendasi pengobatan (Payrovnaziri et al., 2020; Holzinger et al., 2019). Teknik interpretabilitas juga digunakan dalam model pembelajaran mendalam yang diterapkan pada pengenalan pola dan klasifikasi teks, di mana algoritma AI dapat menjelaskan keputusan model dengan menyoroti kata atau fitur yang paling berpengaruh dalam proses prediksi (Miller, 2019; Ribeiro et al., 2016). Dengan adanya pendekatan interpretabilitas dalam jaringan saraf, model AI tidak hanya menjadi lebih akurat, tetapi juga lebih dapat dipercaya dan dapat dijelaskan, yang memungkinkan adopsi lebih luas dalam berbagai sektor, termasuk kesehatan, keamanan, dan pengambilan keputusan bisnis (Goodman & Flaxman, 2017; Adadi & Berrada, 2018).

Artificial Intelligence (AI) berperan penting dalam bidang kesehatan dengan meningkatkan akurasi diagnosis dan mendukung pengambilan keputusan klinis. AI membantu tenaga medis dalam menggunakan Clinical Decision Support Systems (CDSS) yang dapat menganalisis data pasien dan memberikan rekomendasi pengobatan berbasis bukti (Elhaddad & Hamam, 2024; Bartels et al., 2022). Selain itu, AI memungkinkan sistem diagnosis medis yang lebih canggih dengan menggunakan model pembelajaran mesin (ML) dan kecerdasan buatan berbasis gambar untuk mendeteksi penyakit secara lebih cepat dan akurat (Higgins et al., 2023; Hadjiiski et al., 2023). Dalam bidang epidemiologi, AI digunakan untuk mendeteksi dan menganalisis penyakit menular, seperti Monkeypox, melalui model pembelajaran transfer yang mengidentifikasi lesi kulit secara otomatis (Amin, 2023; Almufareh et al., 2023). Teknologi AI juga mendukung pemrosesan data kesehatan secara real-time, yang membantu rumah sakit dan institusi medis dalam meningkatkan efisiensi operasional dan mengurangi beban tenaga kesehatan (Tu et al., 2023; Rana & Shuford, 2024). Dengan adanya AI, layanan kesehatan menjadi lebih presisi, cepat, dan berbasis data, yang berkontribusi pada peningkatan kualitas perawatan pasien dan efektivitas sistem kesehatan secara keseluruhan (Antoniadi et al., 2021; Zhang et al., 2021).

Artificial Intelligence (AI) berperan penting dalam bidang kesehatan dan diagnosis medis dengan meningkatkan akurasi serta efisiensi dalam pengambilan keputusan klinis. AI digunakan dalam sistem Clinical Decision Support Systems (CDSS) untuk menganalisis data pasien dan memberikan rekomendasi pengobatan berbasis bukti, sehingga membantu dokter dalam mengambil keputusan yang lebih cepat dan akurat (Payrovnaziri et al., 2020; Holzinger et al., 2019). Selain itu, AI mendukung interpretasi hasil medis dengan menggunakan teknik pembelajaran mesin yang mampu mendeteksi pola dari gambar medis, seperti MRI dan CT scan, sehingga mempercepat proses diagnosis berbagai penyakit (Rudin, 2019; Bach et al., 2015). Dalam diagnosis penyakit langka, AI diterapkan untuk mengidentifikasi karakteristik klinis yang sulit dideteksi oleh metode konvensional, yang dapat meningkatkan deteksi dini dan efektivitas pengobatan (Lipton, 2018; Selvaraju et al., 2020). Teknologi AI juga digunakan dalam analisis data rekam medis elektronik (EHR) untuk memprediksi risiko penyakit kronis berdasarkan riwayat pasien, yang membantu tenaga medis dalam melakukan tindakan pencegahan lebih awal (Friedman, 2001; Ribeiro et al., 2016). Dengan penerapan AI dalam dunia medis, sistem kesehatan menjadi lebih berbasis data dan prediktif, sehingga mampu meningkatkan kualitas pelayanan kesehatan dan mengurangi kesalahan dalam diagnosis (Miller, 2019; Adadi & Berrada, 2018).

Explainable AI (XAI) menjadi aspek penting dalam pengembangan kecerdasan buatan untuk memastikan transparansi dan interpretabilitas dalam pengambilan keputusan. XAI memungkinkan pengguna untuk memahami alasan di balik prediksi atau keputusan yang dibuat oleh model AI, sehingga meningkatkan kepercayaan dan akuntabilitas dalam berbagai bidang (Arrieta et al., 2019; Antoniadi et al., 2021). Dalam pendidikan, XAI membantu guru dan siswa dalam memahami bagaimana sistem AI merekomendasikan materi pembelajaran atau menilai kinerja siswa, sehingga proses belajar menjadi lebih transparan dan dapat dipersonalisasi (Chiu et al., 2023; Ali et al., 2023). Selain itu, XAI digunakan dalam sistem pengambilan keputusan di sektor kesehatan, seperti Clinical Decision Support Systems (CDSS), yang menjelaskan bagaimana AI menganalisis data pasien dan merekomendasikan pengobatan (Hadjiiski et al., 2023; Elhaddad & Hamam, 2024). Dalam industri dan bisnis, XAI membantu organisasi dalam memahami pola data yang digunakan oleh AI untuk membuat keputusan strategis, sehingga meminimalkan bias dan meningkatkan kejelasan dalam proses otomatisasi (Zhang et al., 2021; Hewage et al., 2022). Dengan adanya XAI, model AI tidak hanya menjadi lebih akurat tetapi juga lebih dapat dipahami oleh manusia, yang memungkinkan adopsi yang lebih luas dalam berbagai bidang, mulai dari pendidikan, kesehatan, hingga pengambilan keputusan bisnis dan pemerintahan (Ke Zhang et al., 2021; Dang et al., 2022).

xplainable AI (XAI) memiliki peran penting dalam dunia pendidikan dengan meningkatkan transparansi dan interpretabilitas sistem kecerdasan buatan yang digunakan dalam pembelajaran. XAI membantu pendidik dalam memahami bagaimana sistem AI merekomendasikan materi atau menilai kinerja siswa, sehingga guru dapat menggunakan hasil analisis AI dengan lebih percaya diri (Arrieta et al., 2019; Adadi & Berrada, 2018). Selain itu, XAI memungkinkan siswa untuk menjelajahi proses pengambilan keputusan AI dalam pembelajaran, yang membantu mereka mengembangkan keterampilan berpikir kritis dan literasi digital (Guidotti et al., 2018; Rudin, 2019). Dalam pengembangan sistem pembelajaran berbasis AI, XAI digunakan untuk meningkatkan keterandalan model pembelajaran adaptif, yang memungkinkan siswa mendapatkan rekomendasi materi berdasarkan kebutuhan spesifik mereka (Friedman, 2001; Ribeiro et al., 2016). Selain itu, XAI mendukung penelitian dalam analisis model pembelajaran mesin yang diterapkan dalam evaluasi akademik, sehingga institusi pendidikan dapat meningkatkan akurasi dan keadilan dalam penilaian berbasis AI (Holzinger et al., 2019; Payrovnaziri et al., 2020). Dengan adanya XAI, sistem pembelajaran berbasis AI menjadi lebih transparan dan dapat dipercaya, yang memungkinkan interaksi lebih baik antara siswa, guru, dan teknologi dalam ekosistem pendidikan modern (Lipton, 2018; Miller, 2019).

Artificial Intelligence (AI) semakin berperan dalam bidang desain dan pengalaman pengguna (UX) dengan menyediakan alat yang mendukung kreativitas dan efisiensi dalam proses perancangan. AI membantu desainer dalam menggunakan alat desain berbasis AI yang mampu menghasilkan ide, sketsa, dan prototipe secara otomatis, sehingga mempercepat proses iterasi desain (Lu et al., 2022; Tholander & Jönsson, 2023). Selain itu, AI memungkinkan sistem yang dapat menganalisis perilaku pengguna secara real-time, sehingga desainer dapat menyesuaikan antarmuka berdasarkan kebutuhan dan preferensi pengguna (Yang et al., 2023; Hamburg et al., 2019). Dalam pengembangan UX, AI digunakan untuk mengoptimalkan pengalaman interaksi digital melalui algoritma personalisasi yang menyesuaikan konten berdasarkan pola penggunaan pengguna (Tammets & Ley, 2023; Antoniadi et al., 2021). Lebih lanjut, AI mendukung desainer dalam menciptakan desain yang lebih inklusif dengan mempertimbangkan aksesibilitas bagi pengguna dengan kebutuhan khusus, misalnya dukungan AI dalam pembelajaran bahasa isyarat melalui sistem berbasis pengenalan gerakan tangan (Battistoni et al., 2019; Hadjiiski et al., 2023). Dengan adanya AI, proses desain menjadi lebih intuitif, berbasis data, dan responsif terhadap kebutuhan pengguna, sehingga menghasilkan antarmuka yang lebih efektif dan pengalaman pengguna yang lebih baik (Xie, 2023; Tu et al., 2023).

Artificial Intelligence (AI) memainkan peran penting dalam Internet of Things (IoT) dan transportasi dengan meningkatkan efisiensi, keamanan, serta konektivitas dalam berbagai sistem cerdas. AI memungkinkan pengelolaan smart grids yang lebih efisien dengan memprediksi konsumsi energi dan mengoptimalkan distribusi daya secara otomatis, sehingga mendukung keberlanjutan energi (Mazhar et al., 2023; Zhang et al., 2021). Selain itu, AI digunakan dalam pemeliharaan jalan cerdas, di mana sistem berbasis deep learning mampu menganalisis kondisi jalan dan infrastruktur transportasi untuk mendeteksi potensi kerusakan dan melakukan perawatan preventif (Hijji et al., 2023; Dang et al., 2022). Dalam sektor kendaraan terhubung, AI mendukung teknologi 6G Connected Vehicles, yang memungkinkan kendaraan untuk berkomunikasi dengan infrastruktur jalan, kendaraan lain, serta lingkungan sekitar guna meningkatkan keselamatan dan efisiensi lalu lintas (Zekaj, 2023; Hewage et al., 2022). Lebih lanjut, AI membantu dalam pengembangan sistem navigasi otonom, di mana algoritma pembelajaran mesin mampu mengoptimalkan rute perjalanan dan menghindari kemacetan berdasarkan data real-time (Hijji et al., 2023; Yang et al., 2023). Dengan adanya AI dalam IoT dan transportasi, sistem transportasi menjadi lebih pintar, aman, dan efisien, mendukung mobilitas yang lebih baik di era digital (Moulieswaran & Kumar, 2023; Almufareh et al., 2023).

Generative AI dan Prompt Engineering semakin berkembang sebagai teknologi yang mendukung pembelajaran kreatif dan interaksi yang lebih intuitif dengan sistem kecerdasan buatan. AI generatif memungkinkan pengguna untuk menghasilkan konten secara otomatis, baik dalam bentuk teks, gambar, maupun video, sehingga mendukung proses pembelajaran yang lebih inovatif dan adaptif (Lu et al., 2022; Chiu et al., 2023). Dalam pendidikan, Generative AI digunakan untuk membantu guru dan siswa dalam menciptakan materi pembelajaran yang lebih menarik, seperti pembuatan soal otomatis, simulasi interaktif, dan pembuatan ilustrasi berbasis teks (Yang et al., 2023; Antoniadi et al., 2021). Selain itu, Prompt Engineering memainkan peran penting dalam mengoptimalkan interaksi dengan AI, di mana teknik penyusunan prompt yang efektif dapat menghasilkan respons AI yang lebih relevan dan bermanfaat bagi pengguna (Dang et al., 2022; Ali et al., 2023). Dalam ranah pembelajaran kreatif, AI generatif mendukung pengembangan ide dan desain melalui model berbasis prompt, yang dapat membantu siswa dalam proses brainstorming dan eksplorasi solusi inovatif (Tholander & Jönsson, 2023; Tammets & Ley, 2023). Lebih lanjut, AI generatif memungkinkan pembelajaran berbasis proyek, di mana siswa dapat berinteraksi dengan model AI untuk mengembangkan solusi yang lebih personalisasi dan berbasis data (Tu et al., 2023; Octavio et al., 2024). Dengan berkembangnya AI generatif dan Prompt Engineering, pendidikan dan pembelajaran kreatif menjadi lebih dinamis, personal, serta mampu meningkatkan produktivitas dan eksplorasi ide di berbagai bidang (Xie, 2023; Hewage et al., 2022).

Regulasi dan etika dalam Artificial Intelligence (AI) menjadi aspek krusial untuk memastikan transparansi, keadilan, dan akuntabilitas dalam penggunaannya di berbagai sektor. AI diatur oleh berbagai kebijakan untuk menjamin hak pengguna dalam memahami bagaimana sistem AI mengambil keputusan, terutama dalam bidang yang berdampak tinggi seperti kesehatan, keuangan, dan hukum (Goodman & Flaxman, 2017; Rudin, 2019). Hak pengguna untuk penjelasan ditegaskan dalam regulasi seperti Uni Eropa’s General Data Protection Regulation (GDPR), yang mewajibkan pengembang AI untuk memberikan penjelasan mengenai hasil keputusan AI kepada pengguna akhir (Miller, 2019; Lipton, 2018). Selain itu, regulasi AI bertujuan untuk mengurangi bias dalam algoritma dan memastikan bahwa AI tidak digunakan untuk diskriminasi atau pengambilan keputusan yang tidak adil (Holzinger et al., 2019; Adadi & Berrada, 2018). Dalam sektor kesehatan, regulasi AI mengatur penggunaan sistem pendukung keputusan klinis (CDSS), sehingga AI hanya boleh digunakan sebagai alat bantu dan bukan sebagai pengganti keputusan tenaga medis (Payrovnaziri et al., 2020; Selvaraju et al., 2020). Penerapan etika dalam AI juga mencakup aspek keamanan data dan privasi pengguna, yang mengharuskan sistem AI untuk melindungi informasi sensitif dari penyalahgunaan atau kebocoran data (Friedman, 2001; Ribeiro et al., 2016). Dengan adanya regulasi dan etika yang kuat, AI dapat digunakan secara bertanggung jawab, sehingga memberikan manfaat maksimal bagi masyarakat tanpa mengorbankan hak dan kebebasan individu (Miller, 2019; Bach et al., 2015).

METODE ANALISIS

Metode analisis dalam makalah dilakukan dengan pendekatan bertahap untuk mengidentifikasi keterkaitan antara Artificial Intelligence (AI) dan aktivitas belajar. Kegiatan mencari artikel dilakukan secara acak terhadap artikel yang memiliki relevansi dengan dukungan AI terhadap pembelajaran melalui mesin AI pencari artikel. Setelah itu, ditemukan sebanyak 34 artikel, yang kemudian dipetakan berdasarkan kata kunci dan abstraknya untuk mengidentifikasi pola utama dalam penelitian tersebut. Dari hasil pemetaan, dilakukan pengelompokkan artikel-artikel tersebut ke dalam beberapa klaster menggunakan teknik klasterisasi berbasis analisis teks berdasarkan kata kunci dan abstrak.

Setelah klasterisasi dilakukan, peneliti menganalisis jumlah artikel dalam setiap klaster untuk menemukan klaster yang paling dominan dalam penelitian AI dan pembelajaran. Klaster dominan dipilih sebagai kata kunci utama untuk melakukan pencarian artikel lanjutan melalui mesin AI pencari artikel. Dari hasil pencarian kedua, peneliti menemukan tambahan 50 artikel, yang kemudian dipetakan ulang ke dalam klaster-klaster berdasarkan pola yang ditemukan sebelumnya. Dengan metode ini, peneliti mampu mengidentifikasi tren utama dalam penelitian AI untuk pembelajaran serta menemukan pola yang lebih luas dari berbagai sumber penelitian.

HASIL ANALISIS KLASTER AI PEMBELAJARAN UMUM

Grafik distribusi artikel dalam setiap klaster menunjukkan jumlah artikel yang tergolong dalam masing-masing kelompok penelitian terkait Artificial Intelligence (AI) dalam pembelajaran dan teknologi pendidikan. Grafik ini menampilkan lima klaster penelitian yang dihasilkan dari proses analisis menggunakan teknik klasterisasi berbasis pembelajaran mesin. Sumbu X merepresentasikan kelompok klaster, sedangkan sumbu Y menunjukkan jumlah artikel dalam setiap klaster. Dari hasil analisis, Cluster 1 memiliki jumlah artikel tertinggi dengan lebih dari 16 artikel, yang menunjukkan bahwa topik dalam klaster ini paling banyak diteliti dibandingkan klaster lainnya. Sebaliknya, Cluster 3 dan Cluster 4 memiliki jumlah artikel paling sedikit, masing-masing sekitar 3 hingga 4 artikel, yang menandakan bahwa penelitian dalam klaster ini masih terbatas atau kurang mendapat perhatian dibandingkan dengan klaster lainnya. Cluster 0 menempati urutan kedua dengan sekitar 6 artikel, yang menunjukkan bahwa topik dalam klaster ini cukup banyak dibahas, meskipun tidak sebanyak Cluster 1. Sementara itu, Cluster 2 memiliki sekitar 5 artikel, yang menunjukkan bahwa topik ini mendapat perhatian moderat dari penelitian yang dianalisis. Distribusi jumlah artikel ini mencerminkan perbedaan popularitas topik penelitian dalam bidang AI, di mana beberapa bidang lebih banyak dieksplorasi dibandingkan bidang lainnya. Ketimpangan dalam distribusi artikel ini mengindikasikan bahwa topik dalam Cluster 1 lebih dominan dalam penelitian AI, sedangkan Cluster 3 dan Cluster 4 mungkin masih dalam tahap perkembangan. Keseluruhan, grafik ini menggambarkan bahwa penelitian AI dalam pendidikan tidak tersebar merata di semua topik. Beberapa bidang lebih berkembang dan lebih sering diteliti dibandingkan dengan bidang lainnya. Perbedaan jumlah artikel ini memberikan wawasan tentang tren penelitian AI, yang dapat membantu akademisi dan peneliti dalam memahami topik yang sedang berkembang dan yang masih memerlukan eksplorasi lebih lanjut.

HASIL PENDALAMAN KLUSTER LANJUTAN

Grafik distribusi artikel dalam setiap klaster menunjukkan jumlah artikel yang tergolong dalam berbagai kelompok penelitian terkait Artificial Intelligence (AI) dalam pembelajaran dan teknologi pendidikan. Grafik ini menampilkan lima klaster penelitian yang diperoleh melalui analisis klasterisasi berdasarkan kata kunci dan abstrak dari artikel yang dikumpulkan. Sumbu X merepresentasikan kelompok klaster penelitian, sedangkan sumbu Y menunjukkan jumlah artikel yang tergolong dalam masing-masing klaster. Setiap batang dalam grafik menunjukkan jumlah artikel yang berada dalam klaster tertentu, dengan tinggi batang mencerminkan frekuensi artikel dalam klaster tersebut. Cluster 4 memiliki jumlah artikel tertinggi, dengan lebih dari 14 artikel, yang menunjukkan bahwa topik dalam klaster ini adalah yang paling banyak diteliti dibandingkan klaster lainnya. Cluster 2 berada di posisi kedua dengan sekitar 12 artikel, yang mengindikasikan bahwa bidang penelitian dalam klaster ini juga cukup banyak diminati. Sebaliknya, Cluster 3 memiliki jumlah artikel paling sedikit, dengan hanya sekitar 5 artikel, yang menunjukkan bahwa topik penelitian dalam klaster ini masih kurang eksplorasi atau memiliki jumlah publikasi yang lebih sedikit dibandingkan klaster lainnya. Cluster 0 memiliki sekitar 11 artikel, yang menunjukkan bahwa penelitian dalam bidang ini mendapat perhatian cukup besar, meskipun tidak sebanyak Cluster 4 dan Cluster 2. Sementara itu, Cluster 1 memiliki jumlah artikel sekitar 6 artikel, yang menunjukkan bahwa penelitian dalam klaster ini berada pada tingkat sedang dalam hal jumlah publikasi yang tersedia. Secara keseluruhan, grafik ini menunjukkan bahwa distribusi artikel dalam setiap klaster tidak merata, dengan beberapa klaster memiliki jumlah artikel yang jauh lebih banyak dibandingkan klaster lainnya. Cluster 4 dan Cluster 2 mendominasi dalam jumlah publikasi, yang menandakan bahwa topik yang terkait dengan klaster ini lebih banyak dieksplorasi dalam penelitian AI untuk pembelajaran. Cluster 3 memiliki jumlah artikel paling sedikit, yang mengindikasikan bahwa penelitian dalam klaster ini masih perlu dikembangkan lebih lanjut. Distribusi ini memberikan wawasan tentang tren penelitian dalam bidang AI dan pendidikan, serta membantu dalam memahami area mana yang sudah banyak dikaji dan mana yang masih memerlukan eksplorasi lebih lanjut.

KESIMPULAN

Artificial Intelligence (AI) telah membawa perubahan besar dalam dunia pendidikan dengan menciptakan sistem pembelajaran yang lebih adaptif, personal, dan berbasis data. AI telah membantu proses belajar dengan menyediakan chatbot edukasi, sistem evaluasi otomatis, dan model pembelajaran berbasis metakognisi yang memungkinkan siswa berpikir lebih kritis dan reflektif. Namun, pemanfaatan AI dalam pendidikan masih menghadapi tantangan dalam implementasi yang sistematis, terutama dalam klasifikasi dan pengelompokan perannya.

Hasil analisis klasterisasi telah menunjukkan bahwa penerapan AI dalam pendidikan terbagi dalam lima kategori utama, yaitu AI dalam kesehatan dan perawatan pasien, AI dalam pembelajaran dan pendidikan, AI dalam desain dan kreativitas, AI dalam IoT dan infrastruktur pintar, serta AI dalam pengambilan keputusan dan sistem pakar. Peneliti telah menemukan bahwa AI dalam pendidikan dan pembelajaran merupakan klaster dominan, yang menunjukkan bahwa akademisi lebih banyak meneliti peran AI dalam pengajaran dan asesmen. Untuk mengoptimalkan manfaat AI dalam pendidikan, pemangku kebijakan dan akademisi perlu mengembangkan kerangka kerja yang lebih jelas agar implementasi AI dapat dilakukan secara strategis dan sistematis. Pemerintah perlu menyusun kebijakan berbasis data yang mendukung integrasi AI dalam sistem pendidikan, mulai dari pengembangan kurikulum berbasis AI hingga penyediaan infrastruktur digital yang memadai. Dengan pendekatan yang lebih terstruktur, AI dapat memberikan kontribusi lebih besar dalam menciptakan sistem pendidikan yang lebih inklusif, efisien, dan berbasis inovasi.

Referensi

Adadi, A., & Berrada, M. (2018). Peeking inside the black-box: A survey on explainable artificial intelligence (XAI). IEEE Access. https://doi.org/10.1109/access.2018.2870052

Ali, F., Choy, D., & Divaharan, S. (2023). Supporting self-directed learning and self-assessment using TeacherGAIA, a generative AI chatbot application: Learning approaches and prompt engineering. Learning: Research and Practice. https://doi.org/10.1080/23735082.2023.2258886

Almufareh, M. F., Tehsin, S., & Humayun, M. (2023). A transfer learning approach for clinical detection support of monkeypox skin lesions. Diagnostics. https://doi.org/10.3390/diagnostics13081503

Antoniadi, A. M., Galvin, M., & Du, Y. (2021). Current challenges and future opportunities for XAI in machine learning-based clinical decision support systems: A systematic review. Applied Sciences. https://doi.org/10.3390/app11115088

Chiu, T. K. F., Moorhouse, B. L., & Chai, C. S. (2023). Teacher support and student motivation to learn with artificial intelligence (AI)-based chatbot. Interactive Learning Environments. https://doi.org/10.1080/10494820.2023.2172044

Dang, H., & Hai, D. D. (2022). How to prompt? Opportunities and challenges of zero- and few-shot learning for human-AI interaction in creative applications of generative models. arXiv. https://doi.org/10.48550/arxiv.2209.01390

Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics. https://doi.org/10.1214/aos/1013203451

Goodman, B., & Flaxman, S. (2017). European Union regulations on algorithmic decision-making and a “right to explanation”. AI Magazine. https://doi.org/10.1609/aimag.v38i3.2741

Hadjiiski, L. M., Cha, K., & Chan, H.-P. (2023). AAPM task group report 273: Recommendations on best practices for AI and machine learning for computer-aided diagnosis in medical imaging. Medical Physics (Lancaster). https://doi.org/10.1002/mp.16188

Holzinger, A., Langs, G., & Denk, H. (2019). Causability and explainability of artificial intelligence in medicine. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery. https://doi.org/10.1002/widm.1312

Hewage, N. T., Tharushika, N., & et al. (2022). Machine learning operations: A survey on MLOps tool support. arXiv. https://doi.org/10.48550/arxiv.2202.10169

Lipton, Z. C. (2018). The mythos of model interpretability: In machine learning, the concept of interpretability is both important and slippery. ACM Queue. https://doi.org/10.1145/3236386.3241340

Lu, Y., Zhang, C., & Tang, M. (2022). Bridging the gap between UX practitioners’ work practices and AI-enabled design support tools. CHI Extended Abstracts. https://doi.org/10.1145/3491101.3519809

Miller, T. (2019). Explanation in artificial intelligence: Insights from the social sciences. Artificial Intelligence. https://doi.org/10.1016/j.artint.2018.07.007

Payrovnaziri, S. N., Chen, Z., & Liu, X. (2020). Explainable artificial intelligence models using real-world electronic health record data: A systematic scoping review. Journal of the American Medical Informatics Association. https://doi.org/10.1093/jamia/ocaa053

Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). 'Why should I trust you?': Explaining the predictions of any classifier. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. https://doi.org/10.1145/2939672.2939778

Rudin, C. (2019). Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence. https://doi.org/10.1038/s42256-019-0048-x

Selvaraju, R. R., Cogswell, M., & Das, A. (2020). Grad-CAM: Visual explanations from deep networks via gradient-based localization. International Journal of Computer Vision. https://doi.org/10.1007/s11263-019-01228-7

Tammets, K., & Ley, T. (2023). Integrating AI tools in teacher professional learning: A conceptual model and illustrative case. Frontiers in Artificial Intelligence. https://doi.org/10.3389/frai.2023.1255089

Tholander, J., & Jönsson, M. (2023). Design ideation with AI - Sketching, thinking, and talking with generative machine learning models. Conference on Designing Interactive Systems. https://doi.org/10.1145/3563657.3596014

Tu, Q., Chen, C., & Li, J. (2023). CharacterChat: Learning towards conversational AI with personalized social support. arXiv. https://doi.org/10.48550/arxiv.2308.10278

Xie, X. (2023). Influence of AI-driven inquiry teaching on learning outcomes. International Journal of Emerging Technologies in Learning (iJET). https://doi.org/10.3991/ijet.v18i23.45473

Yang, Y., & Xia, N. (2023). Enhancing students' metacognition via AI-driven educational support systems. International Journal of Emerging Technologies in Learning (iJET). https://doi.org/10.3991/ijet.v18i24.45647

Zhang, J., & Zhang, Z. (2024). AI in teacher education: Unlocking new dimensions in teaching support, inclusive learning, and digital literacy. Journal of Computer Assisted Learning. https://doi.org/10.1111/jcal.12988