<![CDATA[Sistem adaptive learning semakin berkembang sebagai pendekatan untuk mendukung pembelajaran yang dipersonalisasi melalui pemanfaatan data aktivitas belajar. Meskipun demikian, sebagian besar sistem yang ada masih menghasilkan rekomendasi yang kurang transparan serta belum menyediakan mekanisme yang mampu memprioritaskan intervensi pembelajaran secara sistematis. Untuk mengatasi keterbatasan tersebut, penelitian ini mengusulkan Adaptive Learning Intelligence Framework (ALIF) yang mengintegrasikan Learning Analytics, Rule-Based Reasoning, Combined Compromise Solution (CoCoSo), dan Explainable Artificial Intelligence (XAI) dalam satu kerangka pengambilan keputusan. Data penelitian diperoleh dari Learning Management System (LMS) yang mencakup nilai kuis, durasi belajar, penyelesaian materi, aktivitas pembelajaran, frekuensi remedial, dan riwayat rekomendasi siswa. Seluruh data dianalisis menggunakan Learning Analytics untuk membentuk Adaptive Learning Intelligence Index (ALII) sebagai representasi kondisi belajar siswa. Selanjutnya, rekomendasi pembelajaran dihasilkan melalui mekanisme Rule-Based Reasoning, diprioritaskan menggunakan CoCoSo, dan disertai penjelasan berbasis XAI untuk meningkatkan transparansi keputusan. Hasil penelitian menunjukkan bahwa ALIF mampu mentransformasikan data aktivitas pembelajaran menjadi rekomendasi yang lebih adaptif, objektif, dan mudah diinterpretasikan sehingga mendukung pengambilan keputusan guru secara berbasis bukti. Kebaruan penelitian terletak pada pengembangan kerangka terpadu yang menghubungkan analitik pembelajaran, inferensi berbasis aturan, pemeringkatan multikriteria, dan Explainable Artificial Intelligence dalam satu arsitektur Intelligent Educational Decision Support System yang mendukung personalisasi pembelajaran secara lebih transparan dan terstruktur.]]>
Copyrights © 2026
