Peran Guru dalam AI Generatif: Personalisasi Tugas Pembelajaran di Sekolah Menengah

Pendahuluan: Personalisasi Pembelajaran dengan Generative AI

      Mewujudkan personalisasi pembelajaran yang adaptif terhadap kebutuhan, tujuan, dan minat setiap siswa telah lama menjadi salah satu "tantangan besar" dalam dunia pendidikan abad ke-21. Dengan kemunculan teknologi AI generatif (Generative AI/GenAI) di tahun 2020-an, terbukalah peluang baru untuk mengatasi tantangan ini. Model bahasa besar (Large Language Models/LLM) seperti GPT-4 memiliki kemampuan luar biasa untuk memahami dan menciptakan teks berdasarkan data pelatihan masif, memungkinkan adaptasi tugas pembelajaran secara cepat dan mendalam sesuai karakteristik peserta didik. Salah satu aplikasi GenAI yang paling menjanjikan adalah personalisasi konteks, di mana materi pembelajaran disesuaikan dengan minat siswa untuk meningkatkan keterlibatan mereka.

      Personalisasi konteks ini bisa mencakup minat pada budaya populer seperti olahraga atau musik, minat karier seperti teknik atau keperawatan, hingga koneksi komunitas dan budaya yang lebih luas. Berbagai studi menunjukkan bahwa personalisasi konteks dapat secara signifikan meningkatkan minat dan efektivitas pembelajaran. Para pengajar juga percaya bahwa GenAI yang ditingkatkan dengan personalisasi konteks akan membuat siswa lebih terlibat, melihat relevansi materi dengan kehidupan mereka, dan membantu mereka mengatasi kesulitan belajar. Namun, pertanyaan mendasar yang muncul adalah sejauh mana guru harus terlibat dalam proses personalisasi ini. Apakah guru harus "in-the-loop" (terlibat langsung) atau AI dapat melakukannya secara otonom? Sebuah studi mendalam telah mengeksplorasi pertanyaan ini, dengan fokus pada guru matematika sekolah menengah (Walkington et al., 2026).

Tantangan dan Janji Personalisasi Konteks Pendidikan

      Konsep personalisasi konteks berpusat pada penyesuaian instruksi agar selaras dengan minat siswa, khususnya yang berkaitan dengan budaya populer seperti olahraga atau media sosial. Minat-minat ini seringkali memiliki praktik matematika yang menarik, misalnya ketika siswa melacak jumlah pengikut mereka di media sosial atau mengoptimalkan karakter dalam permainan video. Personalisasi telah terbukti memicu minat situasional siswa dalam tugas belajar, yang dapat bertahan seiring waktu dan meningkatkan kinerja, efisiensi, serta minat jangka panjang terhadap matematika. Namun, mengembangkan variasi soal yang dipersonalisasi membutuhkan waktu yang intensif, terutama jika soal tersebut harus merepresentasikan praktik matematika sehari-hari siswa. Di sinilah LLM menawarkan peluang revolusioner.

      Dalam konteks personalisasi GenAI, muncul dua model yang saling bersaing. Model pertama adalah "guru-in-the-loop," di mana guru menciptakan atau memodifikasi tugas dengan bantuan GenAI, memadukan pengetahuan profesional mereka dengan kemampuan AI untuk menghasilkan tugas yang disesuaikan. Pendekatan ini memungkinkan guru mengontrol penuh pengalaman belajar siswa, mendukung pengembangan profesional guru, dan memperkuat koneksi antara guru dan siswa. Namun, ini juga merupakan proses yang memakan waktu, meskipun alat AI yang berorientasi pada guru sering mengklaim dapat menghemat waktu pengajar. Selain itu, guru tidak dapat secara realistis membuat versi tugas yang berbeda untuk setiap siswa secara individu. Model kedua adalah "AI out-of-the-loop," di mana GenAI secara langsung menawarkan pengalaman individual kepada setiap siswa. Dalam pendekatan ini, siswa dapat memasukkan minat yang sangat spesifik—seperti "Taylor Swift" atau "Roblox"—dan setiap tugas dapat disesuaikan dengan preferensi mereka. Beberapa platform bahkan memungkinkan siswa berinteraksi langsung dengan AI untuk bersama-sama merancang tugas matematika. Pendekatan ini memindahkan beban waktu dan keahlian pembuatan tugas ke siswa atau sepenuhnya ke AI.

Metodologi Studi: Mengamati Guru Berinteraksi dengan AI

      Untuk menguji model "guru-in-the-loop", sebuah studi dilakukan dengan melibatkan tujuh guru matematika sekolah menengah yang bekerja sama dengan ChatGPT untuk menciptakan versi soal matematika yang dipersonalisasi. Soal-soal ini disesuaikan dengan minat budaya populer siswa mereka. Para guru memulai dengan soal-soal yang ada dalam kurikulum Illustrative Mathematics (IM) mereka, lalu memodifikasinya agar lebih sesuai dengan minat siswa. Kemudian, soal-soal yang telah dipersonalisasi ini diberikan kepada 521 siswa kelas 7. Studi tersebut menganalisis langkah-langkah yang dilakukan guru dalam merancang tugas-tugas personalisasi ini, efisiensi mereka saat mendesain dengan LLM, bagaimana guru berkembang seiring waktu, dan reaksi siswa terhadap tugas-tugas tersebut (Walkington et al., 2026).

      Fokus utama studi ini adalah memahami dinamika antara guru dan AI dalam proses personalisasi. Hal ini termasuk mengidentifikasi bagaimana guru memanfaatkan perintah (prompt) ke AI, seberapa efektif mereka dalam mendapatkan hasil yang diinginkan, dan apakah ada peningkatan efisiensi seiring bertambahnya pengalaman. Selain itu, studi ini juga menyoroti bagaimana persepsi dan preferensi siswa terhadap tugas-tugas yang dipersonalisasi ini.

Temuan Kunci: Antara Harapan dan Realitas Implementasi AI oleh Guru

      Studi ini mengungkap beberapa temuan penting tentang personalisasi tugas pembelajaran dengan GenAI yang melibatkan guru:

• Ukuran Butiran (Grain Size) Personalisasi: Para guru cenderung melakukan personalisasi pada "ukuran butiran" (grain size) yang relatif luas, misalnya kategori umum seperti "olahraga" atau "musik." Namun, temuan menunjukkan bahwa siswa lebih menyukai ukuran butiran yang lebih kecil dan spesifik, seperti referensi budaya populer tertentu yang sangat mereka minati. Ini mengindikasikan adanya perbedaan antara apa yang diasumsikan guru sebagai personalisasi yang efektif dan apa yang sebenarnya diinginkan siswa.
• Kedalaman dan Realisme Konten: Para guru menghabiskan banyak upaya untuk menyesuaikan referensi budaya populer dan mengatasi masalah kedalaman atau realisme masalah yang dihasilkan AI. Misalnya, memastikan bahwa skenario yang dijelaskan dalam tugas benar-benar dapat terjadi di dunia nyata, angka-angka yang digunakan realistis, dan kuantitas yang diukur relevan dengan konteks minat siswa. Ini menunjukkan bahwa meskipun AI dapat menghasilkan konten dengan cepat, sentuhan manusia masih krusial untuk memastikan kualitas dan relevansi yang mendalam.
• Efisiensi Waktu: Meskipun alat GenAI sering dipasarkan sebagai solusi untuk menghemat waktu guru, studi ini menemukan bahwa proses personalisasi tidak menjadi lebih efisien secara signifikan seiring waktu, bahkan setelah guru belajar dan merefleksikan data siswa mereka. Guru memerlukan upaya yang berkelanjutan untuk menyesuaikan dan menyempurnakan tugas, menantang klaim efisiensi yang sering digembar-gemborkan oleh alat AI komersial.
• Kepemilikan AI oleh Guru: Para guru menunjukkan tingkat "kepemilikan" yang berbeda terhadap AI generatif. Beberapa guru memberikan kontrol yang lebih besar kepada AI, sementara yang lain lebih memilih untuk mempertahankan kendali penuh atas modifikasi dan konten akhir.

      Temuan-temuan ini menunjukkan bahwa implementasi AI yang efektif, meskipun menjanjikan, memerlukan pemahaman yang nuansa tentang interaksi manusia-AI dan pengakuan terhadap peran tak tergantikan dari keahlian manusia. Seperti halnya dalam implementasi teknologi di sektor industri, solusi AI generatif yang sukses tidak hanya membutuhkan model yang canggih, tetapi juga penyesuaian mendalam untuk konteks spesifik. ARSA Technology, dengan fokusnya pada solusi AI kustom, memahami bahwa personalisasi yang efektif memerlukan lebih dari sekadar templat generik.

Implikasi untuk Penerapan AI dalam Pendidikan dan Industri

      Studi ini memiliki implikasi penting tidak hanya untuk pendidikan, tetapi juga untuk penerapan AI di berbagai industri. Pertama, ini menantang narasi umum bahwa AI secara otomatis akan menghemat waktu tenaga kerja, terutama dalam peran yang membutuhkan penilaian dan keahlian manusia yang bernuansa. Sebaliknya, penggunaan AI seringkali memerlukan investasi waktu yang berkelanjutan dari para profesional untuk menyempurnakan dan menyesuaikan output AI agar sesuai dengan kebutuhan yang spesifik. Kedua, studi ini menyoroti perlunya alat AI generatif untuk dapat menghasilkan konten yang lebih relevan, mendalam, dan memiliki ukuran butiran yang halus. Kemampuan untuk memahami dan mereplikasi detail spesifik yang menarik bagi pengguna adalah kunci untuk personalisasi yang berhasil.

      Pentingnya peran manusia "in-the-loop" untuk jaminan kualitas, pertimbangan etis, dan pemahaman konteks yang nuansa tetap tidak tergantikan. Di sektor industri, ini dapat berarti insinyur atau operator yang secara aktif memonitor dan menyempurnakan sistem AI untuk memastikan akurasi dan keandalan operasional, bukan hanya mengandalkan AI sepenuhnya. Contohnya, dalam ARSA AI Box Series yang digunakan untuk analitik video di lingkungan industri, pengawasan manusia dan penyesuaian konfigurasi adalah kunci untuk memastikan deteksi keamanan atau pemantauan lalu lintas berjalan optimal dan sesuai dengan kondisi lapangan yang spesifik.

Membangun Solusi AI yang Efektif dan Berdampak

      Keberhasilan penerapan AI, baik di lingkungan pendidikan maupun industri, membutuhkan lebih dari sekadar model yang kuat. Ini menuntut integrasi yang cermat antara keahlian manusia, kesadaran konteks, dan proses penyempurnaan yang berulang. Pengalaman para guru dalam studi ini mencerminkan tantangan yang lebih luas dalam penerapan AI: bagaimana memastikan teknologi benar-benar memenuhi kebutuhan spesifik dan memberikan nilai nyata, bukan hanya solusi "satu ukuran untuk semua" yang generik.

      ARSA Technology memahami bahwa solusi AI harus "bekerja di dunia nyata" dan menghasilkan dampak yang terukur. Dengan pengalaman sejak 2018, ARSA berfokus pada pembangunan sistem AI yang akurat, skalabel, menjaga privasi, dan andal secara operasional untuk berbagai industri. Pendekatan ini memastikan bahwa AI bukan hanya eksperimen, tetapi solusi yang siap produksi dan dapat mengatasi tantangan operasional yang kompleks, serupa dengan kebutuhan akan personalisasi yang mendalam dan relevan dalam pendidikan.

Kesimpulan

      Studi tentang peran guru dalam personalisasi tugas pembelajaran menggunakan AI generatif ini memberikan wawasan berharga: potensi AI untuk personalisasi pembelajaran memang sangat besar, namun elemen manusia—mulai dari keahlian guru hingga preferensi spesifik siswa—tetap merupakan faktor yang paling penting. Pengembang alat AI perlu berupaya lebih keras untuk menciptakan teknologi yang dapat memenuhi kebutuhan "ukuran butiran" yang lebih halus, menghasilkan konten yang lebih realistis dan mendalam, dan benar-benar menghemat waktu profesional, bukan justru menambah beban kerja.

      Bagi perusahaan dan organisasi yang ingin mengoptimalkan operasional mereka dengan AI, pelajaran utamanya adalah pentingnya mitra teknologi yang tidak hanya memahami kecanggihan AI, tetapi juga realitas operasional dan nilai sentuhan manusia dalam memastikan solusi yang berdampak. Untuk menjelajahi bagaimana solusi AI dan IoT yang dipersonalisasi dapat mengubah bisnis Anda, jangan ragu untuk hubungi tim ARSA.

      Sumber: Walkington, C., Feng, M., Pruitt-Britton, T., Beauchamp, T., & Lan, A. (2026). Should There be a Teacher In-the-Loop? A Study of Generative AI Personalized Tasks Middle School. https://arxiv.org/abs/2602.15876