National Essay Competition Himatika FMIPA UNNES 2022 “Implementasi Matematika yang Edukatif Berorientasi STEM Education Menuju Indonesia Emas 2045”
|
National Essay Competition Himatika FMIPA UNNES 2022 “Implementasi Matematika yang Edukatif Berorientasi STEM Education Menuju Indonesia Emas 2045” |
|
WEBSITE BERBASIS
MACHINE LEARNING UNTUK MENDUKUNG CHALLENGE BASED LEARNING TERINTEGRASI
STEM SEBAGAI UPAYA MENINGKATKAN KEMAMPUAN 4C Al Ana Maisaroh 1,
Fityan Asani 2, Nur Rizal 1 1Pendidikan Matematika, Universitas Negeri Semarang 2Matematika, Universitas Negeri Semarang |
Pada tahun 2045, usia Indonesia akan genap 100 tahun dimana
pada usia tersebut dicita-citakan
terwujud Indonesia Emas. Mewujudkan cita-cita Indonesia Emas diperlukan sumber daya manusia
unggul dan menguasai
pengetahuan serta teknologi. Dalam mempersiapkan sumber daya manusia
yang diperlukan, perlu adanya adaptasi
dan transformasi di pendidikan
Indonesia. Pendidikan matematika merupakan salah satu aspek terpenting dalam membentuk kecakapan abad
21 untuk mendukung terwujudnya Indonesia Emas.
Kecakapan abad ke-21 akan tumbuh dan berkembang pada calon generasi emas tahun 2045 melalui pendidikan kecakapan abad ke-21 (Irawan, 2017). Menurut Ulfah (2022), Kecakapan abad ke-21 terdiri dari 4
kecakapan atau biasa disebut kemampuan 4C, yang meliputi kemampuan berpikir
kritis (critical thinking), kreatif
(creative), kolaboratif (collaborative), komunikatif (communicative), serta kemampuan berpikir
tingkat tinggi (HOTS) (Ulfah, 2022). Jadi, dalam
mewujudkan Indonesia Emas 2045 perlu kemampuan 4C yang diterapkan dalam
pendidikan di Indonesia.
Namun, kemampuan 4C siswa Indonesia
masih rendah yang ditunjukkan dengan
peringkat PISA Indonesia jauh tertinggal dari negara-negara lain.
Menurut Asviangga et al. (2018), tujuan studi dari PISA yaitu mengetahui kemampuan
siswa dalam penalaran, mengidentifikasi, dan memahami,
serta menggunakan dasar-dasar matematika yang diperlukan dalam kehidupan sehari-sehari, dan apabila kemampuan
4C siswa mengalami
kenaikan, akan berpengaruh terhadap peringkat PISA di Indonesia. Data peringkat PISA Indonesia dari tahun
ke tahun dapat dilihat pada
lampiran1.
Salah satu model pembelajaran yang dapat diimplementasikan dalam rangka meningkatkan kemampuan 4C siswa adalah dengan Challenge Based Learning (CBL) terintegrasi Science, Technology, Engineering, and Mathematics (STEM). Model CBL merupakan pembelajaran baru yang menggabungkan pembelajaran berbasis masalah, pembelajaran berbasis proyek, dan pembelajaran konstekstual yang difokuskan pada penyelesaian dari permasalahan yang ada di kehidupan sehari-hari, pembelajaran ini menciptakan ruang dimana peserta didik berpikir kritis dan aktif mencari solusi untuk memecahkan tantangan yang ada (Nawawi, 2016). Menurut Triana et al. (2020), salah satu upaya untuk meningkatkan keterampilan 4C adalah dengan menggunakan pembelajaran STEM yang dipadukan dengan model pembelajaran Problem Based Learning (PBL). Karena menurut Nawani (2016), PBL atau pembelajaran berbasis masalah adalah bagian dari Challenge Based Learning (CBL), maka dapat disimpulkan bahwa dalam upaya meningkatkan kemampuan 4C dapat dilakukan dengan pembelajaran STEM yang diintegrasikan dengan model pembelajaran Challenge Based Learning (CBL). Hal ini sejalan dengan penelitian Ardiansyah et al. (2022), berdasarkan kajian literatur menunjukkan pengaruh positif model Challenge Based Learning terhadap pengembangan keterampilan 4C siswa. Inovasi model pembelajaran challenge based learning menunjukkan efektivitas dan peningkatan keterampilan 4C siswa dalam beberapa hasil studi. Model pembelajaran Challenge Based Learning dianggap sebagai paket komplit sebagai upaya mengembangkan keterampilan 4C siswa. Namun, model Challenge Based Learning dan pengintegrasian STEM dalam pembelajaran matematika terdapat tantangan dan kendala.
Menurut Sodikin (2015), dalam pembelajaran CBL perlu menyiapkan rancangan tantangan pembelajaran yang akan digunakan, berupa pertanyaan tantangan materi yang akan diajarkan beserta alat evaluasi. Sodikin (2015) juga menambahkan bahwa dalam pelaksanaan CBL perlu mempertimbangkan ketersediaan alat dan bahan praktikum yang ada di laboratorium sekolah sejak awal agar waktu dan pelaksanaan praktikum dapat berjalan secara lancar. Dalam pelaksanaan pembelajaran CBL terdapat tantangan, begitu pula dalam pengintegrasian STEM dalam pembelajaran. Integrasi STEM akan lebih efektif jika menggunakan pendekatan yang sesuai. Hal ini sejalan dengan Stohlmann et al. (2012) dalam penelitian Anggraini dan Huzaifah (2017), menjelaskan bahwa integrasi subjek STEM akan lebih efektif jika menggunakan pendekatan yang strategis dalam implementasinya sehingga dapat membuat peserta didik belajar lebih relevan, merangsang munculnya pengalaman bermakna, mendorong peserta didik untuk berpikir tingkat tinggi dan memecahkan masalah serta meningkatkan retensi.
Pelaksanaan CBL terintegrasi STEM diharapkan dapat meningkatkan kemampuan 4C. Namun, dalam melaksanakan CBL terintegrasi STEM harus mempertimbangkan ketersediaan alat dan bahan di lingkungan sekolah serta rancangan tantangan yang digunakan dalam pembelajaran. Oleh karena itu diperlukan media pembelajaran yang dapat menghubungkan alat dan bahan yang tersedia untuk digunakan sebagai sumber belajar. Pembelajaran CBL terintegrasi STEM memanfaatkan lingkungan sekitar sebagai sumber belajar. Oleh karena itu, media pendukung harus mampu memfasilitasi siswa dalam melakukan eksplorasi lingkungan sekitar.
Machine learning merupakan suatu teknologi yang dapat digunakan untuk membawa lingkungan nyata ke dalam proses pembelajaran. Pemanfaatan klasifikasi gambar dalam machine learning memungkinkan siswa untuk mengeksplorasi dan membawa lingkungan sekitar ke dalam proses pembelajaran sebagai bagian dari sumber belajar. Penelitian yang dilakukan oleh Zhao et al. (2021) yang berjudul “A Lightweight Mobile Outdoor Augmented Reality Method Using Deep Learning and Knowledge Modeling for Scene Perception to Improve Learning Experience”. Penelitian tersebut menggabungkan deep learning dan augmented reality untuk digunakan pembelajaran luar ruangan yang bertujuan untuk memberikan dukungan kepada siswa dalam mempelajari ciri-ciri morfologi tumbuhan, menjelaskan hubungan antara tumbuhan dan lingkungan serta antara tumbuhan dan manusia. Hasil penelitian menunjukkan bahwa demonstrasi penggabungan metode deep learning dan augmented reality memiliki tingkat deteksi akurasi yang tinggi, dapat digunakan dengan baik, dan meningkatkan pengalaman belajar di luar ruangan secara signifikan.
Berdasarkan uraian potensi CBL terintegrasi STEM untuk
meningkatkan kemampuan 4C beserta
kendala dan tantangan
pengimplementasian dalam pembelajaran, penulis mengembangkan
sebuah gagasan yaitu pengembangan media pembelajaran berupa website berbasis
machine learning untuk mendukung
pelaksanaan CBL terintegrasi STEM sehingga pembelajaran berjalan
efektif dan memfasilitasi pendidikan abad 21 untuk mewujudkan Indonesia Emas. Rumusan
masalah dalam esai ini yaitu: (1) Bagaimana
pengembangan website berbasis machine learning? dan (2) Bagaimana website berbasis machine
learning dapat mendukung pelaksanaan CBL terintegrasi
STEM?.
B.
Pembahasan
Website berbasis machine learning
merupakan sebuah website yang
menerapkan machine learning sehingga mampu mengenali suatu objek melalui
citra foto dari objek tersebut.
Untuk mengembangkan website
berbasis machine learning dibutuhkan model machine learning. Model machine learning dibuat menggunakan google colaboratory atau jupyter
notebook. Untuk membuat model machine
learning, dibutuhkan dataset yang berisi
kumpulan foto dari beberapa kelas objek. Dataset
yang ada kemudian
dilakukan proses training
model sehingga terbentuk model machine
learning yang mampu mengenali foto di luar
dataset untuk diklasifikasikan ke dalam kelas objek tertentu. Setelah model machine learning terbentuk, langkah selanjutnya dalam pengembangan website
berbasis machine learning yang
digunakan untuk mendukung
pelaksaan CBL terintegrasi STEM adalah membuat front end dari website. Front end website dapat dibuat
menggunakan kerangka bootstrap. Setelah front end website selesai, langkah selanjutnya adalah membuat back end dari
website. Back end website dapat dibuat menggunakan kerangka flask python. Langkah terakhir dari pengembangan website berbasis machine learning adalah melakukan hosting website sehingga website yang
dikembangkan dapat diakses melalui internet.
Website berbasis machine learning dapat
menghubungkan lingkungan sekitar dengan pembelajaran
melalui citra foto dari objek di lingkungan sekitar yang diunggah ke dalam website.
Alur kerja website berbasis machine learning ditunjukkan lampiran 2.
Alur kerja website berbasis machine
learning dalam mengenali
suatu objek adalah melalui
citra foto yang diunggah
oleh pengguna. Foto yang diunggah tersebut akan diklasifikasikan dengan menggunakan model machine learning yang sudah dibuat. Model machine learning akan memberikan output berupa nama kelas objek mana yang paling sesuai
dengan kelas objek
pada dataset. Tantangan atau tugas matematika akan diterima oleh pengguna berdasarkan hasil output
dari machine learning. Sebagai
contoh, pengguna mengunggah foto dari tugu muda,
maka pengguna akan mendapatkan tantangan atau tugas matematika yang berkaitan dengan
tugu muda.
Dengan memanfaatkan machine learning, maka website berbasis machine learning dapat digunakan untuk mendukung pelaksanaan CBL terintegrasi STEM. CBL terintegrasi STEM memanfaatkan lingkungan sekitar sebagai sumber belajar, sehingga website berbasis machine learning berperan sebagai pendukung pelaksanaan aktivitas belajar. Website berbasis machine learning menjadi jembatan antara konteks nyata dan konteks matematika.
Challenge Based
Learning memiliki kerangka yang efisien dan efektif
dalam belajar dan memecahkan
tantangan dunia nyata dan langsung meminta siswa berkolaborasi untuk mengidentifikasi ide besar, mengajukan
pertanyaan yang bagus, menemukan dan mengatasi
tantangan, memperoleh pengetahuan yang mendalam, mengembangkan kecakapan
abad 21 sehingga dapat membantu siswa
menemukan cara untuk merepresentasikan dan memecahkan masalah (Yoosombon dan Wannapirron, 2015). Kerangka Challenge Based Learning dapat dilihat
pada lampiran 3.
Keunikan dari CBL adalah masalah yang digunakan sebagai tantangan berkaitan kehidupan sehari-hari. CBL memungkinkan siswa menyelesaikan tantangan yang terjadi di lingkungan sekitar mereka, memperkuat hubungan antara apa yang mereka pelajari di sekolah dan apa yang mereka alami di luar sekolah. Siswa bekerja sama dengan siswa lain sehingga semakin meningkatkan minat siswa untuk menemukan solusi dari tantangan dan memberikan siswa pengalaman berharga dalam dinamika kelompok dan bekerja secara kolaboratif. Guru bertindak sebagai pendidik yang berpusat pada siswa, menjawab pertanyaan individu siswa dan membantu siswa untuk mempertahankan minat siswa apabila kesulitan dalam menyelesaikan tantangan.
CBL mengambil ide dari masalah dunia nyata yang kemudian harus diselesaikan oleh siswa menjadi solusi dalam skala yang lebih kecil. Ketika terintegrasi sebagai bagian pembelajaran, CBL mengarahkan siswa pada penemuan materi pelajaran yang relevan di banyak bidang dan melatih siswa untuk menghubungkan apa yang mereka pelajari dengan pengetahuan mereka sendiri. STEM merupakan akronim dari science, technology engineering, and mathematics. Science merupakan ilmu pengetahuan yang meliputi fisika, kimia dan biologi. Technologi memberikan kemudahan dalam mengakses data dan membantu segala kebutuhan manusia. Engineering merupakan penerapan dari teknologi untuk menyelesaikan permasalahan manusia dan mathematics merupakan konsep perhitungan yang digunakan untuk mengkonseptualisasi permasalahan kehidupan sehari hari. Pendekatan STEM dalam pembelajaran juga menghubungkan antara dunia sekolah dengan kehidupan sehari-hari. Hal ini sejalan dengan Rustaman, (2016) yang menyatakan bahwa dalam pembelajaran dengan pendekatan STEM mengajarkan siswa menggunakan sains, teknologi, rekayasa, dan matematika dengan menghubungkan antara dunia sekolah, dengan kehidupan sehari-hari. Oleh karena itu, pendekatan STEM dalam pembelajaran matematika memegang peranan yang sangat penting untuk membentuk kecakapan abad 21.
Robert dan Cantu (2012) menjelaskan pendekatan STEM yang digunakan di dalam pembelajaran. Pendekatan-pendekatan tersebut meliputi pendekatan silo STEM, pendekatan STEM tertanam (Embeded) dan pendekatan STEM terpadu. Pada pendekatan silo, siswa tidak diberi kesempatan untuk mengeksplorasi pengetahuan dengan caranya sendiri melainkan diajarkan mengenai apa yang harus diketahui oleh siswa. Pendekatan silo bertujuan untuk membimbing siswa agar menguasai pengetahuan di satu bidang tertentu. Pada pendekatan STEM silo tidak ada integrasi antar mata pelajaran sehingga memungkinkan siswa gagal dalam memahami integrasi antara subjek STEM dalam menyelesaikan masalah di dunia nyata (Breiner, Harkness, Johnson, & Koehler, 2012). Pada pendekatan STEM tertanam (Embedded) pengetahuan mengenai domain mata pelajaran diperoleh melalui penekanan pada permasalahan dunia nyata dengan teknik penyelesaian masalah (Chen, 2001). Perbedaan pendekatan tertanam dengan silo adalah pada pendekatan tertanam menghubungkan materi utama dengan materi lain yang tidak utama/tertanam. Bidang yang tidak diutamakan dirancang untuk tidak dievaluasi/dinilai. Pendekatan STEM terpadu berbeda dari pendekatan STEM lainnya. Pada pendekatan terpadu, mata pelajaran tidak diajarkan secara terpisah melainkan saling terintegrasi satu sama lain. Integrasi STEM menuntut siswa untuk menghubungkan berbagai subjek STEM yang berbeda. Pengintegrasian mata pelajaran tersebut dimulai dengan identifikasi masalah nyata yang terjadi di lingkungan siswa dengan menggunakan pemikiran tingkat tinggi dan kemampuan pemecahan masalah sehingga dapat diambil kesimpulan sebagai upaya penyelesaikan masalah tersebut (Wang dkk., 2011).
Dalam gagasan CBL terintegrasi STEM yang ditawarkan penulis, pendekatan STEM diintegrasikan dalam bentuk pendekatan STEM tertanam sehingga materi matematika dihubungkan dengan materi bidang lain namun materi bidang lain dirancang untuk dievaluasi dan lebih mengutamakan materi matematika. Tantangan yang diperoleh siswa dalam CBL dihubungkan dengan bidang lain dalam STEM. Langkah pembelajaran CBL terintegrasi STEM menggunakan website berbasis machine learning adalah sebagai berikut.
Tabel 1. Langkah pembelajaran CBL terintegrasi STEM menggunakan website
berbasis machine learning
|
Fase CBL |
Deskripsi |
|
|
Fase 1 Engage |
Big Idea |
Guru menyajikan ide besar terkait
topik matematika kepada siswa melalui website. |
|
Essential Question |
Guru membantu siswa untuk memahami ide besar
lalu membangun essential question terkait ide
besar. |
|
|
Challenge |
Siswa memperoleh tantangan
untuk diselesaikan melalui
website berbasis machine learning. |
|
|
Fase 2 Investigate |
Guiding Questions |
Melalui website
berbasis machine
learning, siswa mendapatkan bantuan dalam bentuk pertanyaan, petunjuk aktivitas, dan materi terkait
untuk menyelesaikan tantangan. |
|
Guiding Activities |
||
|
Guiding Resources |
||
|
Fase 3 Act |
Solution-Action |
Siswa memberikan solusi
dari tantangan yang diperoleh dari website, kemudian mempresentasikan solusi yang
diperoleh kepada siswa lain. |
|
Assesment |
||
|
Publishing |
||
Petunjuk pertama untuk menyelesaikan tantangan
di atas berupa petunjuk aktivitas yang harus dilakukan oleh siswa. Petunjuk aktivitas yang diberikan yaitu :
1. Ukurlah bagian-bagian dari wahana bermain, bisa mulai ayunan, jungkat-jungkit, dan sebagainya dengan menggunakan rol meter.
2. Catatlah ukuran bagian taman kalian dalam satuan meter.
3. Tentukan skala yang akan kalian gunakan untuk membuat denah.
4. Tentukan ukuran-ukuran bagian taman yang akan kalian gambar di kertas.
5. Gambarlah denah taman kalian dengan teliti dan benar sesuai ukuran skala. Setelah kalian selesai membuat gambar, tuliskan laporan yang meliputi:
a. Luas tanah taman bermain yang kalian didirikan.
b. Luas setiap wahana bermain kalian.
c.
Rasio luas setiap wahana pada denah terhadap luas tanah yang digunakan untuk membangun wahana
tersebut.
Petunjuk kedua dan ketiga yang diberikan kepada
siswa berupa guiding question. Pada petunjuk 2, pertanyaan yang membantu
siswa untuk menyelesaikan tantangan di atas adalah “Bagaimana cara menentukan skala dan rasio?”. Pada petunjuk 3,
pertanyaan yang diberikan untuk
membantu siswa adalah “Bagaimana cara menentukan luas tanah yang digunakan
untuk membangun setiap wahana bermain?”.
Dalam tantangan di atas, komponen STEM diintegrasikan dalam
bentuk pendekatan tertanam. Peta integrasi komponen
STEM pada tantangan
tersebut adalah sebagai
berikut.
Tabel 2.
Peta integrasi komponen STEM pada tantangan
|
Kelas |
Komponen STEM |
|||
|
Science |
Technology |
Engineering |
Mathematics |
|
|
VII |
|
Menggunakan |
Merancang |
Menjelaskan |
|
|
komputer dalam |
desain taman |
rasio dua |
|
|
|
presentasi |
bermain. |
besaran dan |
|
|
|
|
|
menyelesaikan |
|
|
|
|
|
masalah yang |
|
|
|
|
|
berkaitan |
|
|
|
|
|
dengan rasio dua |
|
|
|
|
|
besaran. |
|
Tidak semua bidang dalam STEM diintegrasikan dalam
tantangan yang diberikan. Pada tantangan
di atas, bidang science tidak terintegrasi ke dalam tantangan. Hal ini dikarenakan bentuk pendekatan STEM yang
digunakan adalah pendekatan tertanam sehingga
bidang matematika lebih diutamakan daripada
bidang lain. Bidang technology
dan engineering tidak dievaluasi meskipun kedua bidang
tersebut diintegrasikan dalam tantangan.
C. Penutup
Berdasarkan pembahasan, pengembangan website berbasis machine learning terdiri dari
pembuatan model machine learning dengan
google colaboratory atau jupyter notebook, pengumpulan dataset, training model, membuat front end website
yang dibuat dengan kerangka bootstrap,
membuat back end website, dan melakukan hosting website.
Website berbasis machine learning digunakan
untuk mendukung pelaksanaan CBL terintegrasi STEM. Langkah pembelajaran CBL terintegrasi STEM dimulai dari fase 1 (engage) yang terdiri dari 3 komponen.
Komponen pada fase 1 diantaranya big
idea, esential quation, dan
challenge. Pada fase 1 big idea, guru menyajikan ide besar terkait
topik matematika kepada siswa
melalui website, kemudian dilanjutkan
essential quation dimana guru membantu siswa untuk memahami ide
besar lalu membangun essential question terkait ide besar. Fase 1 yang terakhir yaitu
pemberian challenge kepada siswa
berupa tantangan untuk diselesaikan
melalui website berbasis machine
learning. Setelah fase 1, dilanjutkan
fase 2 (investigate), pada fase ini siswa mendapatkan bantuan dalam bentuk
pertanyaan, petunjuk aktivitas, dan
materi untuk menyelesaikan tantangan. Fase yang
terakhir adalah fase act, berisi solution-action, assesment, dan publishing. Dalam pelaksanaan fase 3 (act), siswa
memberikan solusi dari tantangan yang diperoleh dari website, kemudian mempresentasikan solusi yang diperoleh kepada siswa lain.
CBL terintegrasi STEM memanfaatkan lingkungan sekitar
sebagai sumber belajar, sehingga website berbasis machine learning
berperan sebagai pendukung
pelaksanaan aktivitas belajar,
jembatan antara konteks nyata dan konteks matematika, media siswa untuk menyelesaikan tantangan, serta sebagai
wadah guru dalam menyalurkan big idea yang disajikan kepada siswa. Berdasarkan
pembahasan dan didukung oleh penelitian Ardiansyah (2022); Triana et al. (2020); Nawawi (2016), dapat disimpulkan
bahwa gagasan/ide website berbasis machine learning untuk mendukung CBL terintegrasi STEM dapat
menjadi solusi dalam meningkatkan kemampuan 4C. Gagasan
yang disampaikan melalui
esai ini perlu dilakukan
penelitian lebih lanjut guna mengetahui hubungan dan pengaruh, serta menguji kelayakan
dan keefektifan website
terintegrasi machine learning
dalam mendukung pelaksanaan CBL terintegrasi
STEM guna meningkatkan kemampuan 4C.
Daftar Pustaka
Ardiansyah, A. S., Agung, G. H., Cahya, N. D., dan Dinasari,
A. 2022. Upaya Mengembangkan Keterampilan 4C melalui Challenge
Based Learning. PRISMA: Prosiding Seminar Nasional Matematika.
Februari 2022, Semarang, Indonesia. pp. 627-
637.
Asviangga, A. B., Sunardi, S., dan Trapsilasiwi, D. 2018.
Analisis kemampuan 4C’s Siswa dalam Menyelesaikan Soal Matematika
Berpikir Tingkat Tinggi.
KadikmA. 9(1): 17-23.
Breiner, J., Harkness, S., Johnson, C., dan Koehler, C.
2012. What is STEM? A discussion about conceptions of STEM in education and partnerships. School Science
and Mathematics. 112(1):
3-1.
Chen, M. 2001. A potential
limitation of embedded-teaching for formal learning.
InJ. Moore & K. Stenning
(Eds.). Proceedings of the Twenty-Third Annual Conference of the Cognitive
Science Society.
Edinburgh, Scotland: Lawrence Erlbaum
Associates,Inc.
Iriawan, S. B. 2017. Mewujudkan Indonesia Emas Tahun 2045 Melalui
Pendidikan Kecakapan Abad Ke-21. Universitas Pendidikan
Indonesia.
Robert, A. dan Cantu, D. 2012. Applying
STEM Instructional Strategis
to Design and Technology
Curriculum. Departement of STEM Education
and Proffesional Studies Old Dominion
University. Norfolk, VA, USA.
Roihan, A., Sunarya, P. A., dan Rafika, A. S. 2020.
Pemanfaatan Machine Learning dalam Berbagai Bidang. IJCIT (Indonesian J. Comput. Inf. Technol. 5(1): 75-82.
Rustaman, N.Y. 2016.
Pembelajaran Sains Masa Depan Berbasis
STEM. Makalah kunci dalam Seminar Nasional Biologi di STIKIP PGRI. Sumata Barat,
30 April 2016.
Triana, D., Anggraito, Y. U., dan Ridlo, S. 2020.
Effectiveness of environmental change learning
tools based on STEM-PjBL towards 4C skills of students. Journal of Innovative Science Education. 9(2): 181-187.
Ulfah, A. 2022. Model Literasi Digital dalam Upaya
Mengurangi Kesenjangan Digital untuk Santri
Menuju Indonesia Emas 2045. Humanis: Jurnal Ilmu-Ilmu Sosial dan Humaniora. 14(1):
1-7.
Wang, H., Moore, T., Roehrig,
G., dan Park, M. 2011. STEM integration: Teacher perceptionsand
practice. Journal of Pre-College
Engineering Education Research. 1(2): 1-13.
Yoosomboon, S., dan Wannapiroon, P. 2015. Development of a
Challenge Based Learning Model via
Cloud Technology and Social Media for Enhancing Information Management Skills. Procedia - Soc. Behav.
Sci. 174: 2102–2107.
Zhao, G., Liu, S., Zhu, W. J., dan Qi, Y. H. 2021. A
Lightweight Mobile Outdoor Augmented Reality
Method Using Deep Learning and Knowledge Modeling for Scene Perception to Improve Learning Experience. International Journal of Human–Computer
Interaction. 37(9): 884-901.
Lampiran
Lampiran 1. Capaian Indeks
PISA Indonesia Tahun 2000-2018
|
Tahun |
Materi yang Diujikan |
Skor Rata-Rata Indenesia |
Skor Rata-Rata Internasional |
Peringkat Indonesia |
Jumlah Negara Partisipan |
|
2000 |
Membaca Matematika Sains |
371 367 393 |
500 500 500 |
39 39 38 |
41 |
|
2003 |
Membaca Matematika Sains |
382 360 395 |
500 500 500 |
39 38 38 |
40 |
|
2006 |
Membaca Matematika Sains |
393 396 393 |
500 500 500 |
48 50 50 |
56 |
|
2009 |
Membaca Matematika Sains |
402 371 383 |
500 500 500 |
57 61 60 |
65 |
|
2012 |
Membaca Matematika Sains |
396 375 382 |
500 500 500 |
62 64 64 |
65 |
|
2015 |
Membaca Matematika Sains |
397 386 403 |
500 500 500 |
61 63 62 |
69 |
|
2018 |
Membaca Matematika Sains |
371 379 396 |
500 500 500 |
74 73 71 |
79 |
Sumber: diolah
dari hasil PISA (OECD, 2018).
Lampiran 2. Alur Website Berbasis
Machine
Learning
Lampiran 3. Kerangka Challenge Based
Learning
Lampiran 4. Layout Tantangan
0 Response to "National Essay Competition Himatika FMIPA UNNES 2022 “Implementasi Matematika yang Edukatif Berorientasi STEM Education Menuju Indonesia Emas 2045”"
Post a Comment