Setiap hari, sekolah menghasilkan ribuan data: nilai ujian, hasil tugas, kehadiran siswa, hingga jejak aktivitas mereka di platform pembelajaran digital. Namun pertanyaannya, apakah data sebanyak itu benar-benar digunakan untuk memahami bagaimana siswa belajar, atau hanya berhenti sebagai angka di rapor?

Selama bertahun-tahun, nilai akhir menjadi indikator utama keberhasilan belajar. Padahal, nilai hanya menunjukkan hasil akhir sebuah proses, bukan proses itu sendiri. Di sinilah Learning Analytics atau analitik pembelajaran hadir sebagai jembatan antara data yang selama ini “tertidur” di sistem sekolah dengan keputusan pembelajaran yang lebih tepat sasaran.

Di masa lalu, sekolah bertanya: “berapa nilai yang diperoleh siswa?” Namun di era pendidikan berbasis data, pertanyaan yang lebih penting adalah: “mengapa siswa mendapatkan nilai tersebut, bagaimana proses belajarnya, dan intervensi apa yang paling tepat dilakukan?” Pergeseran cara bertanya inilah yang menjadi inti dari Learning Analytics — bukan sekadar teknologi baru, melainkan cara berpikir baru dalam memahami proses belajar siswa.

Pendidikan di Era Digital Menghasilkan Data yang Semakin Besar

Dulu, guru hanya memiliki tiga jenis data utama untuk menilai siswa: nilai ujian, catatan absensi, dan tugas yang dikumpulkan. Ketiganya bersifat statis, dicatat manual, dan baru terlihat setelah proses belajar selesai.

Sekarang, keadaannya jauh berbeda. Kehadiran digital assessment, Learning Management System (LMS), Computer-Based Test (CBT), dan berbagai aplikasi pembelajaran membuat sekolah kini menghasilkan data dalam jumlah yang jauh lebih besar dan lebih kaya konteks, di antaranya:

• Data akademik — nilai, hasil ujian, skor kompetensi per topik.
• Data aktivitas belajar — lama waktu mengerjakan soal, frekuensi akses materi, pola interaksi dengan platform.
• Data perilaku belajar — pola kesalahan yang berulang, materi yang paling sulit dipahami, kecepatan perkembangan kemampuan siswa dari waktu ke waktu.

Masalahnya, data sebanyak ini sering kali hanya tersimpan sebagai arsip digital tanpa pernah benar-benar diolah menjadi informasi yang bisa ditindaklanjuti. Di titik inilah Learning Analytics mengambil peran penting.

Apa Itu Learning Analytics dalam Pendidikan?

Secara sederhana, Learning Analytics adalah proses mengumpulkan, mengolah, dan menganalisis data aktivitas belajar peserta didik untuk memahami proses pembelajaran dan membantu pengambilan keputusan pendidikan.

Dalam konteks pendidikan Indonesia, istilah Learning Analytics sering diterjemahkan sebagai analitik pembelajaran atau analisis data pembelajaran. Meskipun istilahnya berbeda-beda, konsep intinya tetap sama: memanfaatkan data untuk memahami proses belajar, bukan sekadar mencatat hasilnya.

Definisi ini sejalan dengan rumusan yang lebih akademik dari Society for Learning Analytics Research (SoLAR), organisasi riset internasional yang menjadi rujukan utama bidang ini sejak 2011. SoLAR mendefinisikan Learning Analytics sebagai pengukuran, pengumpulan, analisis, dan pelaporan data tentang peserta didik beserta konteksnya, dengan tujuan memahami dan mengoptimalkan proses belajar serta lingkungan tempat proses itu berlangsung.

Definisi ini pertama kali dipopulerkan melalui tulisan Long dan Siemens (2011) berjudul “Penetrating the Fog: Analytics in Learning and Education” yang diterbitkan Educause Review, dan kemudian diperkuat oleh Siemens (2013) dalam jurnal American Behavioral Scientist yang menempatkan Learning Analytics sebagai disiplin ilmu yang terus berkembang.

Poin pentingnya, Learning Analytics bukan sekadar statistik biasa. Perbedaan keduanya bisa dilihat lebih jelas pada tabel berikut.

Statistik Biasa	Learning Analytics
Melihat hasil akhir	Memahami proses belajar
Menampilkan angka	Memberikan insight yang bisa ditindaklanjuti
Bersifat pasif	Mendukung pengambilan keputusan

Apa Perbedaan Learning Analytics dengan Data Pendidikan Konvensional?

Pertanyaan yang wajar muncul di benak banyak guru: “Bukankah sekolah sudah punya nilai, absensi, dan rapor? Apa bedanya dengan Learning Analytics?”

Perbedaannya terletak pada kedalaman dan fungsi data itu sendiri, bukan sekadar jenis datanya.

Data Pendidikan Konvensional	Learning Analytics
Menampilkan hasil akhir	Menganalisis proses belajar
Bersifat laporan	Bersifat prediksi dan rekomendasi
Dilihat setelah masalah terjadi	Membantu menemukan masalah lebih awal
Fokus pada nilai	Fokus pada pola belajar

Sebagai gambaran: siswa mendapat nilai 60 adalah informasi. Tetapi mengetahui bahwa siswa tersebut selalu salah pada konsep tertentu, membutuhkan waktu dua kali lebih lama pada tipe soal tertentu, dan mengalami penurunan performa selama beberapa minggu terakhir adalah insight yang bisa langsung digunakan guru untuk melakukan intervensi. Rapor nilai memberi tahu “apa hasilnya”, sementara Learning Analytics memberi tahu “mengapa hasilnya seperti itu, dan apa yang perlu dilakukan selanjutnya”.

Jenis-Jenis Learning Analytics dalam Pendidikan

Secara akademik, Learning Analytics umumnya dibagi menjadi empat jenis berdasarkan pertanyaan yang ingin dijawab. Keempatnya saling melengkapi dan sering digunakan secara berjenjang.

1. Descriptive Analytics — “Apa yang terjadi?”

Jenis paling dasar ini menggambarkan kondisi belajar apa adanya, misalnya rata-rata nilai kelas, tingkat kehadiran, atau distribusi hasil ujian.

2. Diagnostic Analytics — “Mengapa hal itu terjadi?”

Tahap ini menelusuri akar masalah di balik data, misalnya menemukan bahwa siswa gagal pada suatu topik karena konsep dasarnya belum dipahami. Konsep ini memiliki hubungan erat dengan diagnostic assessment, yaitu asesmen yang digunakan untuk mengidentifikasi kemampuan awal dan kesulitan belajar peserta didik sebelum pembelajaran atau intervensi dilakukan.

3. Predictive Analytics — “Apa yang mungkin terjadi?”

Dengan pola data historis, sistem dapat memperkirakan siswa mana yang berpotensi tertinggal jika tidak segera diberi intervensi.

4. Prescriptive Analytics — “Apa tindakan yang harus dilakukan?”

Ini adalah tahap paling matang, di mana sistem memberikan rekomendasi konkret, misalnya materi remedial atau strategi pengajaran alternatif yang paling sesuai untuk siswa tersebut.

Agar lebih mudah dipahami, berikut rangkuman keempat jenis Learning Analytics beserta contohnya dalam konteks pendidikan:

Jenis	Pertanyaan	Contoh Pendidikan
Descriptive	Apa yang terjadi?	70% siswa gagal pada soal pecahan
Diagnostic	Mengapa terjadi?	Siswa belum memahami konsep dasar
Predictive	Apa yang mungkin terjadi?	Siswa berpotensi tertinggal
Prescriptive	Apa yang harus dilakukan?	Berikan materi remedial tertentu

Empat jenis analitik inilah yang nantinya menjadi fondasi ketika Learning Analytics mulai bersinggungan dengan kecerdasan buatan, khususnya pada tahap predictive dan prescriptive — topik yang akan dibahas lebih lanjut pada bagian masa depan Learning Analytics di artikel ini.

Mengapa Learning Analytics Penting bagi Pendidikan?

Ada lima manfaat utama yang menjadikan Learning Analytics semakin relevan bagi sekolah, guru, dan pengambil kebijakan pendidikan.

1. Identifikasi Siswa yang Membutuhkan Bantuan Lebih Cepat

Ketika seorang siswa mengalami penurunan nilai, waktu pengerjaan soal yang terus memanjang, atau kesalahan berulang pada kompetensi tertentu, data-data ini sebenarnya sudah menjadi sinyal peringatan dini. Dengan Learning Analytics, guru dapat menangkap sinyal tersebut lebih awal dan melakukan intervensi sebelum siswa benar-benar tertinggal.

2. Personalisasi Pembelajaran

Learning Analytics membantu guru menjawab pertanyaan yang selama ini sulit dijawab hanya dengan melihat nilai akhir: siapa yang membutuhkan remedial, materi apa yang paling sulit dipahami kelas, dan metode pengajaran apa yang paling efektif untuk kelompok siswa tertentu. Laporan OECD Digital Education Outlook 2023 menyebut personalisasi pembelajaran sebagai manfaat utama dari transformasi digital pendidikan, karena data dapat digunakan untuk menyesuaikan tingkat kesulitan materi maupun bentuk dukungan belajar bagi tiap siswa.

3. Evaluasi Efektivitas Pembelajaran

Dengan Learning Analytics, pertanyaan guru bergeser dari “berapa nilai siswa?” menjadi “bagian mana dari proses pembelajaran yang belum berhasil?” Pergeseran ini penting karena evaluasi menjadi lebih berorientasi pada perbaikan proses, bukan sekadar pencatatan hasil.

4. Meningkatkan Kualitas Assessment

Data dari Learning Analytics juga bisa menunjukkan soal mana yang terlalu mudah, soal mana yang terlalu sulit, atau indikator kompetensi mana yang belum tercapai secara merata. Informasi ini sangat berkaitan dengan proses analisis butir soal, yang selama ini menjadi salah satu cara utama menjaga kualitas instrumen penilaian. Selain melihat hasil akhir, Learning Analytics juga dapat membantu mengevaluasi apakah instrumen penilaian sudah mampu mengukur kemampuan berpikir tingkat tinggi melalui pendekatan HOTS assessment.

5. Mendukung Pengambilan Keputusan Sekolah

Manfaat Learning Analytics tidak berhenti di level kelas. Kepala sekolah, pengawas, hingga dinas pendidikan dapat menggunakan data agregat dari banyak siswa dan banyak sekolah untuk membuat keputusan yang lebih berbasis bukti, mulai dari alokasi sumber daya hingga penyusunan program peningkatan mutu.

Bagaimana Cara Kerja Learning Analytics?

Secara umum, proses Learning Analytics berjalan melalui beberapa tahap yang saling terhubung:

1. Data pembelajaran dihasilkan dari berbagai aktivitas siswa, baik di kelas maupun di platform digital.
2. Pengumpulan data dilakukan secara otomatis melalui sistem seperti LMS, aplikasi ujian online, atau sistem akademik sekolah.
3. Pengolahan data mengubah data mentah menjadi format yang siap dianalisis.
4. Analisis pola dilakukan untuk menemukan tren, kesulitan belajar, atau perubahan performa siswa dari waktu ke waktu.
5. Insight pendidikan dihasilkan sebagai kesimpulan yang bisa dipahami guru maupun pengambil kebijakan.
6. Intervensi pembelajaran dilakukan berdasarkan insight tersebut, misalnya remedial terarah, penyesuaian metode mengajar, atau pendampingan khusus.

Alur ini menegaskan pesan utama Learning Analytics: mengubah data menjadi keputusan, bukan sekadar mengubah data menjadi laporan.

Contoh Learning Analytics dalam Ujian Digital dan Pendidikan di Indonesia

Untuk memahami konsepnya lebih konkret, bayangkan seorang siswa mendapat nilai matematika 70. Angka ini terlihat biasa saja. Namun jika ditelusuri melalui data ujian online, ternyata siswa tersebut menghabiskan waktu jauh lebih lama pada soal-soal tertentu, selalu salah pada satu jenis konsep yang sama, dan cenderung melewati beberapa soal di bagian akhir.

Insight yang didapat bukan sekadar “siswa ini mendapat nilai rendah”, melainkan informasi yang jauh lebih spesifik: bagian mana dari materi yang benar-benar menjadi sumber kesulitannya. Inilah nilai tambah utama Learning Analytics dibanding sistem penilaian konvensional, dan inilah mengapa penerapannya sangat relevan pada sistem Computer-Based Test (CBT) yang mencatat setiap jejak pengerjaan siswa secara detail. Tanpa data granular dari aktivitas belajar seperti ini, Learning Analytics tidak dapat bekerja secara optimal — inilah alasan mengapa transformasi dari ujian berbasis kertas menuju CBT bukan sekadar perubahan media ujian, melainkan perubahan mendasar dalam cara sekolah memahami proses belajar siswanya. Dalam konteks integritas asesmen, data aktivitas siswa yang sama juga dapat membantu mendeteksi pola pengerjaan yang tidak wajar sebagai bagian dari strategi keamanan ujian online dan anti cheating.

Implementasi Learning Analytics di Indonesia: Dari Rapor Pendidikan hingga Asesmen Digital

Di tingkat nasional, Indonesia sebenarnya sudah mempraktikkan Learning Analytics dalam skala besar melalui ekosistem Rapor Pendidikan. Rapor Pendidikan mengintegrasikan data dari Asesmen Nasional, Data Pokok Pendidikan (Dapodik), data Kementerian Agama (EMIS), Badan Pusat Statistik, serta aplikasi pendukung guru seperti Platform Merdeka Mengajar. Secara garis besar, alurnya berjalan seperti berikut:

• Asesmen Nasional menghasilkan data kemampuan literasi, numerasi, karakter, dan kualitas lingkungan belajar di setiap satuan pendidikan.
• Data tersebut kemudian dianalisis untuk menemukan akar masalah pembelajaran, bukan sekadar peringkat atau skor akhir sekolah.
• Sekolah dan pemerintah daerah menggunakan hasil analisis ini untuk menyusun program peningkatan mutu yang lebih terarah melalui pendekatan Perencanaan Berbasis Data (PBD).

Pendekatan ini memungkinkan satuan pendidikan mengidentifikasi masalah pembelajaran secara spesifik dan menyusun program perbaikan yang lebih tepat sasaran, alih-alih menebak-nebak kebutuhan sekolah tanpa dasar data yang jelas. Dengan kata lain, Learning Analytics bukan konsep asing yang hanya berlaku di negara maju — ia sudah menjadi bagian dari kebijakan pendidikan Indonesia sehari-hari, meskipun istilah “Learning Analytics” sendiri jarang digunakan secara eksplisit.

Contoh Implementasi Learning Analytics di Level Sekolah

Selain di tingkat kebijakan nasional, Learning Analytics juga bisa langsung dirasakan manfaatnya di tingkat kelas. Pada level sekolah, Learning Analytics dapat diterapkan melalui dashboard sederhana yang menunjukkan kompetensi mana yang belum dikuasai siswa, kelompok siswa mana yang paling membutuhkan pendampingan, hingga seberapa efektif program remedial yang sudah dijalankan guru. Dengan gambaran seperti ini, guru tidak perlu menunggu laporan semester untuk mengetahui siapa yang tertinggal — data dari keseharian aktivitas belajar siswa sudah cukup menjadi dasar pengambilan keputusan.

Peran Learning Analytics dalam Formative Assessment

Formative assessment pada dasarnya membutuhkan data yang mengalir terus-menerus, bukan hanya sekali di akhir semester. Di sinilah Learning Analytics memainkan peran yang sangat strategis, karena membantu guru menjawab pertanyaan-pertanyaan penting sepanjang proses belajar: apakah siswa sudah memahami materi yang baru diajarkan, kapan waktu yang tepat untuk melakukan intervensi, dan strategi pengajaran apa yang perlu diperbaiki sebelum siswa semakin tertinggal.

Dengan kata lain, Learning Analytics mengubah formative assessment dari sekadar “kuis rutin” menjadi sistem pemantauan belajar yang lebih hidup dan responsif terhadap kebutuhan siswa secara individual.

Tantangan Implementasi Learning Analytics di Indonesia

Sebesar apa pun potensinya, penerapan Learning Analytics di Indonesia masih menghadapi sejumlah tantangan nyata yang perlu diakui secara jujur.

1. Kesiapan Infrastruktur Digital

Data Statistik Pendidikan 2024 yang dipublikasikan Badan Pusat Statistik (BPS) menggambarkan potret pendidikan Indonesia berdasarkan Survei Sosial Ekonomi Nasional dan data registrasi sekolah Kemendikbudristek, termasuk kondisi ruang kelas, sanitasi, dan ketersediaan guru di satuan pendidikan. Berbagai kajian mengenai infrastruktur digital pendidikan secara konsisten menunjukkan bahwa akses internet dan perangkat teknologi masih belum merata antarwilayah di Indonesia, terutama antara wilayah perkotaan dan wilayah 3T (tertinggal, terdepan, terluar). Kesenjangan seperti ini tentu berpengaruh langsung pada seberapa merata Learning Analytics bisa diterapkan secara nasional, karena sistem ini bergantung pada ketersediaan data digital yang konsisten dari setiap sekolah.

2. Literasi Data Guru

Teknologi secanggih apa pun tidak akan berdampak banyak jika guru belum terbiasa membaca dashboard data, memahami pola yang muncul, dan menerjemahkannya menjadi keputusan pembelajaran. Literasi data guru karena itu menjadi prasyarat, bukan pelengkap, dalam implementasi Learning Analytics di sekolah.

3. Perlindungan Data Peserta Didik

Semakin banyak data siswa yang dikumpulkan, semakin besar pula tanggung jawab untuk melindunginya. Di Indonesia, hal ini diatur melalui Undang-Undang Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi (UU PDP), yang menempatkan data anak sebagai kategori data pribadi yang bersifat spesifik dan memerlukan perlindungan lebih ketat, termasuk mensyaratkan persetujuan orang tua atau wali dalam pemrosesannya. Sejak masa transisi UU PDP berakhir pada Oktober 2024, sekolah dan penyedia teknologi pendidikan tidak lagi berada di “zona abu-abu” soal kewajiban melindungi data siswa. Transparansi mengenai data apa yang dikumpulkan, untuk apa data itu digunakan, dan bagaimana data itu diamankan menjadi keharusan, bukan sekadar praktik baik.

4. Risiko Terlalu Bergantung pada Data

Laporan Global Education Monitoring UNESCO 2023 tentang teknologi dalam pendidikan mengingatkan bahwa teknologi sebaiknya memperkuat interaksi manusia dalam pendidikan, bukan menggantikannya. Prinsip ini berlaku juga untuk Learning Analytics: data membantu guru mengambil keputusan yang lebih tepat, tetapi tidak pernah bisa menggantikan pemahaman kontekstual dan empati seorang guru terhadap siswanya.

Masa Depan Learning Analytics dengan AI

Ke depan, Learning Analytics akan semakin bersinggungan dengan kecerdasan buatan. OECD dalam Digital Education Outlook 2023 mencatat bahwa data hasil analitik pembelajaran, termasuk yang dihasilkan dari log aktivitas siswa dalam asesmen digital, membuka peluang bagi sistem berbasis AI untuk memberikan wawasan yang lebih dalam daripada sekadar hasil akhir jawaban benar atau salah.

Beberapa arah pengembangan yang mulai terlihat antara lain:

• Prediksi dini terhadap potensi kesulitan belajar siswa.
• Rekomendasi materi pembelajaran yang lebih personal.
• Deteksi pola belajar dalam skala besar dan real-time.
• Personalisasi jalur pembelajaran sesuai kebutuhan tiap siswa.

Meski begitu, kemampuan AI ini tetap bergantung pada tiga hal mendasar: ketersediaan data yang berkualitas, validasi dan pengawasan manusia, serta penerapan etika penggunaan data yang bertanggung jawab. Topik ini akan dibahas lebih mendalam pada artikel AI dalam Assessment Pendidikan.

Pertanyaan yang Sering Diajukan

Apakah Learning Analytics sama dengan Artificial Intelligence?

Tidak. Learning Analytics berfokus pada pengumpulan dan analisis data pembelajaran, sedangkan AI merupakan teknologi yang dapat digunakan untuk memperkuat kemampuan analisis tersebut, misalnya melalui prediksi kesulitan belajar atau rekomendasi materi secara otomatis. Learning Analytics bisa berjalan tanpa AI, tetapi AI dalam pendidikan biasanya membutuhkan fondasi data dari Learning Analytics agar hasilnya relevan.

Apakah Learning Analytics hanya bisa digunakan sekolah besar?

Tidak. Konsep Learning Analytics dapat diterapkan secara bertahap sesuai kemampuan sekolah. Bahkan data sederhana seperti hasil ujian, pola kesalahan siswa, dan kehadiran sudah dapat menjadi dasar pengambilan keputusan berbasis data, tanpa harus menunggu sistem yang mahal atau kompleks.

Apakah Learning Analytics membutuhkan sistem yang mahal?

Tidak selalu. Sekolah dapat memulai dari data sederhana seperti hasil ujian, absensi, dan pola kesalahan siswa sebelum beranjak ke sistem yang lebih terintegrasi seperti dashboard atau platform analitik khusus.

Apakah Learning Analytics menggantikan peran guru?

Tidak. Learning Analytics membantu guru memahami kondisi siswa secara lebih mendalam, tetapi keputusan pedagogis pada akhirnya tetap membutuhkan pengalaman, empati, dan pertimbangan manusia yang tidak bisa digantikan oleh data semata.

Apa hubungan Learning Analytics dengan CBT?

CBT menghasilkan data granular seperti waktu pengerjaan, pola jawaban, dan tingkat kesulitan soal yang menjadi salah satu sumber data terpenting bagi Learning Analytics. Tanpa data sedetail ini, analisis proses belajar siswa akan jauh lebih terbatas.

Kesimpulan

Learning Analytics bukan tentang menggantikan peran guru dengan teknologi, melainkan tentang membantu guru memahami proses belajar siswa secara lebih mendalam melalui data. Dari sekadar angka nilai yang statis, sekolah kini memiliki peluang untuk melihat proses belajar yang dinamis: kapan siswa mulai kesulitan, materi apa yang perlu diperkuat, dan intervensi seperti apa yang paling tepat diberikan.

Tantangannya memang nyata, mulai dari kesenjangan infrastruktur, literasi data guru, hingga perlindungan data siswa. Namun dengan fondasi yang sudah mulai dibangun melalui ekosistem seperti Rapor Pendidikan dan Perencanaan Berbasis Data, Indonesia berada pada jalur yang tepat untuk menjadikan data sebagai bagian yang tak terpisahkan dari upaya meningkatkan kualitas pembelajaran.

Referensi

• Long, P., & Siemens, G. (2011). Penetrating the Fog: Analytics in Learning and Education. Educause Review.
• Siemens, G. (2013). Learning Analytics: The Emergence of a Discipline. American Behavioral Scientist, 57(10), 1380–1400.
• Society for Learning Analytics Research (SoLAR). What is Learning Analytics. solaresearch.org.
• OECD (2023). Digital Education Outlook 2023: Towards an Effective Digital Ecosystem. OECD Publishing.
• UNESCO (2023). Global Education Monitoring Report 2023: Technology in Education — A Tool on Whose Terms?
• Badan Pusat Statistik (2024). Statistik Pendidikan 2024.
• Kementerian Pendidikan, Kebudayaan, Riset, dan Teknologi. Rapor Pendidikan, Asesmen Nasional, dan Perencanaan Berbasis Data.
• Undang-Undang Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi.