STRATEGI PERENCANAAN KURIKULUM MASA DEPAN BERBASIS PREDICTIVE ANALYTICS DAN KECERDASAN BUATAN
DOI:
https://doi.org/10.38048/jcm.v1i8.7333Keywords:
Kecerdasan Buatan, Kurikulum Adaptif, Perencanaan Kurikulum, Predictive Analytics, Tata Kelola Berbasis DataAbstract
Penelitian ini bertujuan menganalisis strategi perencanaan kurikulum masa depan melalui pemanfaatan predictive analytics, kecerdasan buatan, dan system dynamics dalam kerangka tata kelola pendidikan berbasis data. Penelitian menggunakan pendekatan kualitatif deskriptif dengan desain studi kepustakaan (library research). Korpus utama terdiri atas 12 sumber yang mencakup dokumen kebijakan pendidikan nasional, laporan tren pasar kerja, literatur mengenai predictive analytics dan kecerdasan buatan dalam pendidikan, serta literatur tentang system dynamics dan tata kelola berbasis data. Data dianalisis menggunakan teknik analisis konten melalui tahapan unitisasi dan pengodean, sintesis konseptual, serta formulasi kerangka. Hasil sintesis menunjukkan bahwa data pendidikan pada tingkat mikro berpotensi dihubungkan dengan informasi perubahan kebutuhan kompetensi pada tingkat makro untuk mendukung perencanaan kurikulum yang lebih adaptif. Penelitian ini menghasilkan arsitektur konseptual empat lapis yang terdiri atas Data Ingestion Layer, Analytics and Modeling Engine, Curriculum Adaptation Layer, dan Data-Driven Policy and Governance. Kerangka tersebut menempatkan predictive analytics sebagai pendukung identifikasi pola dan kebutuhan, system dynamics sebagai pendekatan untuk membaca hubungan antarvariabel dan kemungkinan konsekuensi kebijakan, serta kecerdasan buatan sebagai perangkat pendukung analisis dan personalisasi. Temuan juga menunjukkan bahwa penerapan kerangka tersebut tetap memerlukan human oversight, kualitas data, interoperabilitas sistem, perlindungan privasi, kesiapan infrastruktur, serta validasi empiris sebelum dipertimbangkan untuk implementasi pada skala yang lebih luas.
References
Alalawi, K., Athauda, R., & Chiong, R. (2025). An extended learning analytics framework integrating machine learning and pedagogical approaches for student performance prediction and intervention. International Journal of Artificial Intelligence in Education, 35, 1239–1287. https://doi.org/10.1007/s40593-024-00429-7
Anggraena, Y., Felicia, N., Eprijum, D., Pratiwi, I., Utama, B., Alhapip, L., & Widiaswati, D. (2022). Kajian akademik kurikulum untuk pemulihan pembelajaran. Pusat Kurikulum dan Pembelajaran, Badan Standar, Kurikulum, dan Asesmen Pendidikan, Kementerian Pendidikan, Kebudayaan, Riset, dan Teknologi.
Ersozlu, Z., Taheri, S., & Koch, I. (2024). A review of machine learning methods used for educational data. Education and Information Technologies, 29, 22125–22145. https://doi.org/10.1007/s10639-024-12704-0
Forrester, J. W. (1994). Learning through system dynamics as preparation for the 21st century [Keynote address]. Systems Thinking and Dynamic Modeling Conference for K–12 Education, Concord Academy, Concord, Massachusetts.
Hegestedt, R., Nouri, J., Rundquist, R., & Fors, U. (2023). Data-driven school improvement and data-literacy in K-12: Findings from a Swedish national program. International Journal of Emerging Technologies in Learning (iJET), 18(15), 189–208. https://doi.org/10.3991/ijet.v18i15.37241
Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education: Promises and implications for teaching and learning. Center for Curriculum Redesign.
Keith, D. R., Yadama, A., O’Neill, E., & Chung, S. (2024). Anticipating the side effects of educational reform using system dynamics modeling. Review of Research in Education, 48(1), 1–27. https://doi.org/10.3102/0091732X241260012
Krippendorff, K. (2018). Content analysis: An introduction to its methodology (4th ed.). SAGE Publications.
Liu, Q., & Khalil, M. (2023). Understanding privacy and data protection issues in learning analytics using a systematic review. British Journal of Educational Technology, 54(6), 1715–1747. https://doi.org/10.1111/bjet.13388
Miao, F., Shiohira, K., & Lao, N. (2024). AI competency framework for students. UNESCO.
Nurdin, M. N. I. (2025). Strategi perencanaan pendidikan berbasis data untuk meningkatkan mutu sekolah di era Society 5.0. As-Sulthan Journal of Education, 2(1), 313–321.
Nurhidayanti, M. (2025). Pemanfaatan analitik prediktif untuk peningkatan kinerja sistem informasi di sektor pendidikan. Jurnal Komputer dan Teknologi Informasi (JUKOMTIK), 1(1), 22–28.
Nuroini, N., & Purnomo, M. S. (2026). Analisis pengawasan berbasis data analytics dalam meningkatkan akuntabilitas evaluasi pendidikan di era transformasi digital MTs. Al Falah Putri Wuluhan. As-Sulthan Journal of Education, 3(1), 348–359.
Ogata, H., Liang, C., Toyokawa, Y., Hsu, C.-Y., Nakamura, K., Yamauchi, T., Flanagan, B., Dai, Y., Takami, K., Horikoshi, I., & Majumdar, R. (2024). Co-designing data-driven educational technology and practice: Reflections from the Japanese context. Technology, Knowledge and Learning, 29, 1711–1732. https://doi.org/10.1007/s10758-024-09759-w
Republik Indonesia. (2003). Undang-Undang Republik Indonesia Nomor 20 Tahun 2003 tentang Sistem Pendidikan Nasional.
Romero, C., & Ventura, S. (2020). Educational data mining and learning analytics: An updated survey. WIREs Data Mining and Knowledge Discovery, 10(3), e1355. https://doi.org/10.1002/widm.1355
Selwyn, N. (2019). Should robots replace teachers? AI and the future of education. Polity Press.
Sterman, J. D. (2000). Business dynamics: Systems thinking and modeling for a complex world. McGraw-Hill.
World Economic Forum. (2025). Future of jobs report 2025. World Economic Forum.
