Pengembangan Game Edukasi Logika dengan Sistem Pembelajaran Adaptif Berbasis Reinforcement Learning
DOI:
https://doi.org/10.52436/1.jpti.1378Keywords:
Anak Usia Dini, Game Edukasi, Learning Analytics, Reinforcement Learning, Sistem AdaptifAbstract
Media pembelajaran untuk anak usia dini seringkali bersifat statis dan gagal mengakomodasi perbedaan kecepatan belajar individual, sehingga berpotensi menurunkan motivasi dan keterlibatan anak. Untuk mengatasi masalah tersebut, penelitian ini bertujuan merancang dan mengimplementasikan sebuah game edukasi logika adaptif berbasis Reinforcement Learning (RL). Metode pengembangan sistem mencakup tiga komponen utama: antarmuka ramah anak, modul learning analytics untuk perekaman interaksi, dan mesin adaptif yang secara dinamis menyesuaikan tingkat kesulitan soal. Efektivitas sistem diuji melalui uji coba pada 20 anak PAUD berusia 4–6 tahun. Hasil penelitian menunjukkan bahwa sistem adaptif berhasil meningkatkan kinerja belajar secara signifikan, dibuktikan dengan peningkatan rata-rata akurasi jawaban dari 62% menjadi 84%, penurunan waktu pengerjaan per soal dari 45 menjadi 28 detik, serta menurunnya frekuensi penggunaan bantuan yang mengindikasikan tumbuhnya kemandirian. Kontribusi utama penelitian ini adalah pembuktian bahwa penerapan Reinforcement Learning mampu menciptakan lingkungan belajar yang personal dan efektif, sekaligus menjaga motivasi tinggi (85% anak menunjukkan minat lebih) pada jenjang pendidikan anak usia dini. Dengan demikian, sistem ini menawarkan inovasi sebagai solusi atas keterbatasan media pembelajaran konvensional.
Downloads
References
D. Suryana, D. Karmila, and N. Mahyuddin, “Pengembangan Game Interaktif dalam Meningkatkan Kecerdasan Matematika Anak di Taman Kanak-Kanak,” J. Obs. J. Pendidik. Anak Usia Dini, vol. 7, no. 3, pp. 3084–3096, 2023, doi: 10.31004/obsesi.v7i3.3934.
J. Schaeffer and H. J. Van den Herik, “Games, computers, and artificial intelligence,” Artif. Intell., vol. 134, no. 1–2, pp. 1–7, 2002, doi: 10.1016/S0004-3702(01)00165-5.
Nilawati, Riswan, D. Yeniwati, and Rafindo, “Game Edukasi Pengenalan Huruf Dan Angka Usia Dini,” J. Akad., vol. 14, no. 2, pp. 95–100, 2022, doi: 10.53564/akademika.v14i2.867.
H. J. Van den Herik, J. W. H. M. Uiterwijk, and J. Van Rijswijck, “Games solved: Now and in the future,” Artif. Intell., vol. 134, no. 1–2, pp. 277–311, 2002, doi: 10.1016/S0004-3702(01)00152-7.
M. M. Afsar, T. Crump, and B. Far, “Reinforcement Learning based Recommender Systems: A Survey,” ACM Comput. Surv., vol. 55, no. 7, 2023, doi: 10.1145/3543846.
T. J. E. Faber, M. E. W. Dankbaar, W. W. van den Broek, L. J. Bruinink, M. Hogeveen, and J. J. G. van Merriënboer, “Effects of adaptive scaffolding on performance, cognitive load and engagement in game-based learning: a randomized controlled trial,” BMC Med. Educ., vol. 24, no. 1, 2024, doi: 10.1186/s12909-024-05698-3.
Y. Lin et al., “A Survey on Reinforcement Learning for Recommender Systems,” IEEE Trans. Neural Networks Learn. Syst., vol. 35, no. 10, pp. 13164–13184, 2024, doi: 10.1109/TNNLS.2023.3280161.
X. Chen, L. Yao, J. McAuley, G. Zhou, and X. Wang, “Deep reinforcement learning in recommender systems: A survey and new perspectives,” Knowledge-Based Syst., vol. 264, p. 110335, 2023, doi: 10.1016/j.knosys.2023.110335.
A. Alharin, T. N. Doan, and M. Sartipi, “Reinforcement learning interpretation methods: A survey,” IEEE Access, vol. 8, pp. 171058–171077, 2020, doi: 10.1109/ACCESS.2020.3023394.
Q. Wang and J. A. Esquivel, “A Reinforcement Learning Based on Book Recommendation System,” Acad. J. Comput. Inf. Sci., vol. 6, no. 13, pp. 14–19, 2023, doi: 10.25236/ajcis.2023.061303.
J. García and D. Shafie, “Teaching a humanoid robot to walk faster through Safe Reinforcement Learning,” Eng. Appl. Artif. Intell., vol. 88, no. April 2019, p. 103360, 2020, doi: 10.1016/j.engappai.2019.103360.
N. Desyani, S. Kristina, and V. S. Yosephine, “Studi Awal Penerapan Reinforcement Learning pada Penyelesaian Heterogeneous Vehicle Routing Problem with Soft Time Windows,” J. Eng. Ind. Syst., vol. 1, no. 1, pp. 147–155, 2024.
S. Ruan and K. Lu, “Adaptive deep reinforcement learning for personalized learning pathways: A multimodal data-driven approach with real-time feedback optimization,” Comput. Educ. Artif. Intell., vol. 9, no. January, p. 100463, 2025, doi: 10.1016/j.caeai.2025.100463.
W. Waisen, H. Hendra, A. Awan, and Y. Yudi, “Perancangan Sistem Rekomendasi Kurikulum Personal Berbasis CLT dan RL untuk Edukasi Daring,” J. Minfo Polgan, vol. 14, no. 1, pp. 1189–1198, 2025, doi: 10.33395/jmp.v14i1.15003.
A. Riedmann, P. Schaper, and B. Lugrin, Reinforcement Learning in Education: A Systematic Literature Review, no. 0123456789. Springer New York, 2025. doi: 10.1007/s40593-025-00494-6.
C. Halkiopoulos and E. Gkintoni, “Leveraging AI in E-Learning: Personalized Learning and Adaptive Assessment through Cognitive Neuropsychology—A Systematic Analysis,” Electron., vol. 13, no. 18, 2024, doi: 10.3390/electronics13183762.
