<![CDATA[Penerapan kecerdasan buatan (AI) dalam bidang pendidikan berkembang pesat, khususnya dalam domain learning analytics. Dalam konteks meningkatnya penggunaan AI dalam learning analytics, kebutuhan akan transparansi dan akuntabilitas dalam pengambilan keputusan menjadi semakin penting, terutama karena hasil analisis dapat berdampak langsung pada evaluasi dan intervensi terhadap peserta didik. Namun, sifat black-box dari sebagian besar model AI menimbulkan permasalahan terkait keterbacaan, kepercayaan, dan akuntabilitas keputusan. Explainable Artificial Intelligence (XAI) hadir sebagai solusi untuk menjembatani celah tersebut. Tinjauan sistematis literatur ini bertujuan memetakan perkembangan penelitian XAI dalam konteks learning analytics selama periode 2020–2026 menggunakan basis data Dimensions. Proses seleksi mengikuti pedoman PRISMA 2020 yang menghasilkan 34 artikel yang memenuhi kriteria inklusi dari 500 artikel yang teridentifikasi. Analisis mencakup tren publikasi, distribusi jurnal, pola sitasi, teknik XAI yang digunakan, serta konteks aplikasi. Hasil menunjukkan peningkatan signifikan jumlah publikasi, terutama pada tahun 2025. Teknik SHAP (SHapley Additive exPlanations) mendominasi sebagai metode XAI yang paling banyak diterapkan, diikuti oleh LIME dan pendekatan berbasis counterfactual. Fokus penelitian didominasi oleh prediksi performa akademik, deteksi dini siswa berisiko putus studi (dropout), dan identifikasi faktor risiko pembelajaran. Temuan tinjauan ini diharapkan dapat memberikan panduan bagi peneliti dan praktisi pendidikan dalam mengembangkan sistem learning analytics yang transparan, dapat dijelaskan, dan bertanggung jawab.]]>
Copyrights © 2026
