Penerapan Model Machine Learning Terintegrasi CRISP-DM untuk Pemetaan Potensi Kesulitan Belajar Numerasi Anak Bersama Komunitas RAPI
Keywords:
literasi numerasi, machine learning, CRISP-DM, personalized learning, komunitas pendidikan, prediksi kesulitan belajarAbstract
Literasi numerasi anak di Literasi numerasi anak di Indonesia masih menghadapi tantangan serius, sebagaimana tercermin dari hasil survei Programme for International Student Assessment (PISA). Pengabdian kepada masyarakat sebelumnya menunjukkan peningkatan nilai dari 60 menjadi 73 melalui pendekatan visual, namun pengajar komunitas kesulitan memetakan kesulitan belajar spesifik setiap anak secara cepat dan akurat mengingat heterogenitas karakteristik belajar. Penelitian ini mengimplementasikan model Machine Learning terintegrasi framework Cross-Industry Standard Process for Data Mining (CRISP-DM) untuk memprediksi potensi kesulitan belajar numerasi anak bersama Radio Antar Penduduk Indonesia (RAPI) Sekretariat Lokal Tajur Halang. Model klasifikasi mengelompokkan anak ke dalam kategori "Paham", "Risiko Kesulitan Ringan", dan "Risiko Kesulitan Tinggi" berdasarkan variabel logika spasial, pengenalan geometri, durasi fokus, nilai matematika dasar, dan gaya belajar. Hasil menunjukkan efisiensi waktu identifikasi anak bermasalah meningkat 80 persen, serta peningkatan kompetensi numerasi siswa di seluruh dimensi, dengan lonjakan tertinggi pada logika spasial dan pemecahan masalah sebesar 21 poin. Pengembangan aplikasi Android di masa depan diharapkan dapat memperluas jangkauan teknologi ini ke komunitas pendidikan akar rumput lainnya.Indonesia masih menghadapi tantangan serius, sebagaimana tercermin dari hasil survei Programme for International Student Assessment (PISA). Pengabdian kepada masyarakat sebelumnya menunjukkan peningkatan nilai dari 60 menjadi 73 melalui pendekatan visual, namun pengajar komunitas kesulitan memetakan kesulitan belajar spesifik setiap anak secara cepat dan akurat mengingat heterogenitas karakteristik belajar. Penelitian ini mengimplementasikan model Machine Learning terintegrasi framework Cross-Industry Standard Process for Data Mining (CRISP-DM) untuk memprediksi potensi kesulitan belajar numerasi anak bersama Radio Antar Penduduk Indonesia (RAPI) Sekretariat Lokal Tajur Halang. Model klasifikasi mengelompokkan anak ke dalam kategori "Paham", "Risiko Kesulitan Ringan", dan "Risiko Kesulitan Tinggi" berdasarkan variabel logika spasial, pengenalan geometri, durasi fokus, nilai matematika dasar, dan gaya belajar. Hasil menunjukkan efisiensi waktu identifikasi anak bermasalah meningkat 80 persen, serta peningkatan kompetensi numerasi siswa di seluruh dimensi, dengan lonjakan tertinggi pada logika spasial dan pemecahan masalah sebesar 21 poin. Pengembangan aplikasi Android di masa depan diharapkan dapat memperluas jangkauan teknologi ini ke komunitas pendidikan akar rumput lainnya.
References
Braga, C. M., Serrano, M. A., & Fernández-medina, E. (2025). Towards a methodology for ethical artificial intelligence system development : A necessary trustworthiness taxonomy. 286(May).
Dhika, H., Destiawati, F., & Akhirina, T. Y. (2025). Penguatan Literasi Numerasi Anak melalui Pendekatan Visual dalam Kegiatan Abdimas Kolaboratif RAPI. Jurnal Insan Peduli …, 3(1), 36–43. https://ejournal.lppinpest.org/index.php/jipemas/article/view/179%0Ahttps://ejournal.lppinpest.org/index.php/jipemas/article/download/179/68
Gading Permana, A., Dwi Putra, B., Rais, M., Mz, K., Awwabin, M., Nugroho, N. A., Ramadhan, S. F., Ramadhan, T., & Setiawan, T. (2024). Pengembangan Sistem Pendeteksi Hama Berbasis Machine Learning Untuk Para Petani. Jurnal Pengabdian Kepada Masyarakat, 2(4), 447–450. https://jurnalmahasiswa.com/index.php/appa
Kenneth Jensen. (2012). CRISP-DM Process Diagram. Wikipedia2a. https://en.wikipedia.org/wiki/File:CRISP-DM_Process_Diagram.png
Miedema, E., Waschull, S., & Emmanouilidis, C. (2026). Computers in Industry Towards trustworthy artificial intelligence for decision-making : A lifecycle perspective on knowledge- and data-driven artificial intelligence systems. Computers in Industry, 174(September 2025), 104409. https://doi.org/10.1016/j.compind.2025.104409
OECD. (2023). Pisa 2022 Results. In Factsheets: Vol. I. OECD Publishing. https://www.oecd-ilibrary.org/education/pisa-2022-results-volume-i_53f23881-en%0Ahttps://www.oecd.org/publication/pisa-2022-results/country-notes/germany-1a2cf137/
Rianti, A., Majid, N. W. A., & Fauzi, A. (2023). CRISP-DM: Metodologi Proyek Data Science. Prosiding Seminar Nasional Teknologi Informasi Dan Bisnis (SENATIB), 107–114.
Sarwahita, S. A., Sutrisno, T., & Suswandari, M. (2024). Peran Guru dalam Mendiagnosis Kesulitan Literasi Numerasi di Sekolah Dasar Negeri Pondok 01. Ideguru: Jurnal Karya Ilmiah Guru, 9(2), 1087–1096. https://doi.org/10.51169/ideguru.v9i2.1024
