Pengembangan Sistem Rekomendasi Kursus Kredensial Mikro Berbasis Kecerdasan Buatan Generatif dengan Asesmen Pembelajar Otomatis

Abstract

Pertumbuhan kredensial mikro pada pendidikan tinggi membuka peluang pembelajaran yang lebih fleksibel, terarah, dan berorientasi kompetensi. Namun, banyaknya pilihan kursus dan keterbatasan asesmen manual dapat menyulitkan pembelajar memperoleh rekomendasi yang sesuai dan tepat waktu. Penelitian ini bertujuan mengembangkan dan mengevaluasi awal MicroCred GenAI Backend sebagai layanan backend, yaitu bagian sistem yang menangani logika, pengolahan data, dan integrasi layanan, untuk mendukung asesmen kredensial mikro dan rekomendasi pembelajaran yang cepat, relevan, serta dapat ditelusuri. Penelitian ini menggunakan pendekatan penelitian pengembangan sistem dengan fokus pada perancangan, implementasi, dan evaluasi awal layanan backend. Metode pengembangan perangkat lunak yang digunakan adalah Rapid Application Development (RAD), melalui tahapan pendefinisian kebutuhan, perancangan purwarupa, penyerapan umpan balik, dan finalisasi produk. Sistem dikembangkan sebagai minimum viable product (MVP) dengan arsitektur modular monolith. Proses asesmen menggabungkan penilaian berbasis aturan dan penilaian esai otomatis berbasis Generative Pre-trained Transformer (GPT). Rekomendasi pembelajaran dibangun menggunakan retrieval-augmented generation (RAG) dengan pemeringkatan hibrida ringan berbasis metadata, kata kunci, feature hashing, tag boost, dan skor kualitas kursus. Sistem juga menyimpan skor relevansi, alasan rekomendasi, dan jejak pengambilan untuk mendukung keterlacakan hasil. Evaluasi dilakukan melalui observasi operasional, uji coba pengguna, audit manual, dan analisis snapshot dump lokal. Observasi terhadap 147 asesmen menunjukkan median waktu penyelesaian 13,21 detik, median latensi GPT 1696,5 ms, dan biaya per asesmen sekitar USD 0.00017–0.00020. Uji coba terhadap 10 partisipan menghasilkan rata-rata relevansi dan penerimaan 4,3 dari 5. Audit rekomendasi menghasilkan Precision@5 sebesar 0,98 dan NDCG@5 sebesar 0,9709, sedangkan audit 30 esai menghasilkan MAE 1,1998 dan korelasi Pearson 0,9990. Snapshot dump pada 152 asesmen menunjukkan seluruh pekerjaan GPT, RAG, dan fusion selesai 100%. Hasil penelitian menunjukkan bahwa MicroCred GenAI Backend layak menjadi fondasi awal layanan asesmen dan rekomendasi kredensial mikro berbasis GenAI. Sistem mampu mempercepat asesmen, menghasilkan rekomendasi relevan, dan menyediakan dasar hasil yang dapat ditelusuri. Keterbatasan penelitian mencakup ukuran sampel, cakupan data kursus, personalisasi, dan belum adanya pengukuran dampak pembelajaran jangka panjang.