Henry Praherdhiono
henry.praherdhiono.fip@um.ac.id

Harapan Proyek

Pendidikan di era digital menuntut pergeseran fundamental dari sekadar transfer pengetahuan faktual menuju penciptaan pengalaman belajar yang mendalam (deep learning). Sejalan dengan perspektif Hokanson et al. (2018), teknologi pendidikan tidak lagi dipandang sekadar alat penyampaian materi, melainkan sarana untuk melampaui konten statis (beyond content) demi mengembangkan kapasitas intelektual pembelajar, bukan sekadar konsumsi materi. Pergeseran ini diperkuat oleh temuan Honeyman dan Eck (2025), yang menekankan bahwa pembelajaran berbasis inkuiri sangat krusial dalam melampaui batas pengetahuan konten semata, terutama untuk membangun kemampuan integrasi konsep yang kompleks. Lebih lanjut, Hill dan Ellis (2025) menyoroti bahwa praktik pengajaran yang efektif harus bergerak melampaui konten standar untuk mendukung kebutuhan akademik tingkat lanjut secara adaptif. Oleh karena itu, tantangan utama pendidik saat ini adalah merancang ekosistem pembelajaran yang tidak hanya menyajikan informasi, tetapi memfasilitasi konstruksi pengetahuan yang bermakna.

Konteks Proyek

Pencapaian deep learning menuntut lingkungan belajar yang dirancang secara canggih dan intensional, bukan sekadar situasi yang terjadi secara kebetulan. Hal ini selaras dengan definisi Teknologi Pendidikan oleh Januszewski dan Molenda (2008), yang menekankan bahwa fasilitasi belajar memerlukan proses “penciptaan, penggunaan, dan pengelolaan” sumber daya teknologi secara etis dan tepat guna. Kompleksitas perancangan ini dipertegas oleh Bishop et al. (2020), yang menyoroti perlunya penerapan prinsip-prinsip riset terkini untuk membangun ekosistem pembelajaran yang efektif dan adaptif. Urgensi kualitas desain ini dikonfirmasi oleh Jing et al. (2025), yang menemukan bahwa optimalisasi kekuatan lingkungan belajar virtual memiliki dampak signifikan terhadap peningkatan hasil belajar siswa. Lebih jauh, Ataş dan Yıldırım (2025) menunjukkan bahwa desain instruksional modern memerlukan integrasi model yang kompleks, seperti fokus pada metakognisi bersama, untuk mendukung kolaborasi daring yang bermakna. Oleh karena itu, tugas guru saat ini adalah mengorkestrasi seluruh elemen penciptaan dan pengelolaan tersebut ke dalam skenario pembelajaran yang sistematis.

Deskripsi Kesenjangan

Realitas di lapangan menunjukkan adanya kesenjangan signifikan antara harapan pedagogis ideal dengan kapasitas eksekusi teknis guru. Meskipun strategi pembelajaran kompleks seperti intervensi problem-posing terbukti mampu meningkatkan capaian kognitif pembelajar secara signifikan (Ran et al., 2025), proses perancangan manual untuk skenario tersebut membebani waktu dan kognisi guru. Oleh karena itu, diperlukan solusi yang menempatkan kecerdasan buatan (AI) bukan sebagai pengganti, melainkan sebagai mitra kolaboratif. Sebagaimana dikemukakan oleh Albert et al. (2021), pendekatan yang tepat adalah “menjembatani kecerdasan manusia dan kecerdasan buatan” (bridging human intelligence and artificial intelligence), di mana intuisi pedagogis guru diperkuat oleh kapasitas komputasi AI. Sinergi ini krusial untuk memastikan teknologi tidak mendikte proses belajar, melainkan mendukungnya. Hal ini dipertegas oleh Almandhari (2025), yang menekankan bahwa pemberdayaan pendidik di era AI harus dicapai dengan menyeimbangkan pengajaran yang humanistik dengan integrasi teknologi, sehingga beban teknis berkurang tanpa mengorbankan kualitas interaksi manusia.

Uraian Deskripsi Solusi Proyek

Sebagai solusi konkret atas tantangan desain tersebut, proyek ini mengembangkan “Asisten Prompt RTF” (Role, Task, Format), sebuah kerangka kerja yang menstandarisasi instruksi guru kepada AI. Perancangan prompt yang efektif sejatinya menuntut struktur berpikir komputasional (computational thinking) yang logis dan sistematis untuk memecahkan masalah instruksional, selaras dengan perspektif Rich dan Hodges (2017) mengenai aplikasi berpikir komputasional dalam kebijakan dan praktik pendidikan. Pendekatan ini diperkuat oleh Hsu (2025), yang menegaskan bahwa interaksi dengan Large Language Models telah menggeser paradigma dari “pemrograman ke prompting“, menjadikan kemampuan menyusun instruksi terstruktur sebagai manifestasi baru dari berpikir komputasional. Penerapan struktur RTF bertujuan untuk mengoptimalkan alur logika ini. Hal ini didukung oleh temuan Gong et al. (2025), yang menunjukkan bahwa pola interaksi manusia-komputer yang dibantu oleh prompt generatif progresif secara signifikan meningkatkan efektivitas pemecahan masalah yang kompleks. Dengan demikian, struktur RTF berfungsi sebagai algoritma pedagogis yang menjamin presisi hasil asesmen atau modul ajar yang dihasilkan oleh AI.

Sebagai respons terhadap tantangan desain instruksional di era digital, proyek ini menghadirkan solusi konkret berupa pengembangan “Asisten Prompt RTF”. Produk ini merupakan panduan strategis dan generator prompt yang dibangun di atas kerangka kerja Role, Task, dan Format (RTF) untuk menstandarisasi interaksi guru dengan kecerdasan buatan. Solusi ini dirancang secara spesifik untuk memberdayakan pendidik dalam memanfaatkan Generative AI, sehingga mereka mampu menyusun modul ajar dan asesmen pembelajaran mendalam (deep learning) dengan presisi tinggi tanpa terbebani kompleksitas teknis. Pendekatan ini selaras secara fundamental dengan definisi Teknologi Pendidikan yang dikemukakan oleh Januszewski dan Molenda (2008). Mereka menegaskan bahwa teknologi pendidikan adalah studi dan praktik etis yang bertujuan untuk memfasilitasi belajar dan meningkatkan kinerja melalui proses penciptaan, penggunaan, dan pengelolaan sumber teknologi yang tepat. Dalam konteks ini, Asisten Prompt RTF berfungsi sebagai sumber teknologi yang diciptakan untuk mengelola proses perancangan pembelajaran agar lebih efektif dan efisien.

Rumusan Masalah Proyek

Permasalahan utama dalam proyek ini berfokus pada bagaimana teknologi kecerdasan buatan (Artificial Intelligence) dapat dijembatani secara efektif dengan kecerdasan pedagogis guru untuk memfasilitasi penyusunan perencanaan pembelajaran mendalam (deep learning) yang berkualitas. Seringkali, kompleksitas desain instruksional menjadi hambatan bagi guru, sementara alat bantu digital yang ada belum sepenuhnya terintegrasi dengan kebutuhan pedagogis. Oleh karena itu, diperlukan sebuah mekanisme atau kerangka kerja yang mampu mensinergikan kemampuan komputasi AI dengan intuisi pengajaran manusia. Isu ini sangat relevan dengan temuan Albert et al. (2021), yang menekankan bahwa efektivitas solusi teknologi pendidikan sangat bergantung pada keberhasilan dalam menjembatani kecerdasan manusia dan kecerdasan buatan, bukan sekadar menggantikannya.

Tujuan Proyek

Tujuan utama dari proyek ini adalah untuk meningkatkan kapabilitas pedagogis guru dalam merancang pengalaman Deep Learning yang bermakna dengan memanfaatkan bantuan kecerdasan buatan (Artificial Intelligence).
Tujuan khusus, proyek ini bertujuan untuk menghasilkan kumpulan prompt terstruktur berbasis kerangka kerja RTF (Role, Task, Format) yang valid secara pedagogis. Prompt ini dirancang untuk memfasilitasi guru dalam menyusun aktivitas pembelajaran yang reflektif dan adaptif, membebaskan proses belajar dari batasan konvensional. Inisiatif ini selaras dengan prinsip unconstrained learning yang dibahas oleh Moller dan Huett (2012), di mana integrasi teknologi seharusnya membuka peluang belajar yang fleksibel, terbuka, dan tidak terbatas oleh ruang maupun waktu.

Metodologi Pengembangan Proyek

Proyek ini dilaksanakan dengan mengadaptasi model pengembangan konten digital yang sistematis, mencakup empat tahapan utama: Analysis, Design, Prototype, dan Evaluation.

Tahap pertama, Analysis, berfokus pada analisis kebutuhan pengguna dan konteks pedagogis. Target pengguna diidentifikasi sebagai guru yang memiliki literasi digital dasar namun masih awam terhadap teknik prompt engineering. Analisis pedagogis dilakukan untuk memetakan elemen kunci “Pembelajaran Mendalam”, seperti refleksi kritis dan kolaborasi, yang harus mampu dimunculkan oleh kecerdasan buatan. Merujuk pada Bishop et al. (2020), proses ini krusial untuk memastikan desain pembelajaran tetap berpusat pada prinsip-prinsip instruksional yang valid dan teruji secara riset.

Tahap kedua, Design, mencakup perancangan strategi konten dan struktur logika aplikasi. Struktur prompt disusun menggunakan formula RTF (Role sebagai perancang kurikulum, Task menyusun asesmen, dan Format berupa rubrik/tabel). Logika penyusunan prompt ini dirancang agar sistematis dengan mengintegrasikan prinsip Computational Thinking. Pendekatan ini mengacu pada Rich dan Hodges (2017), di mana berpikir komputasional diterapkan dalam pemecahan masalah desain instruksional untuk memastikan output yang dihasilkan AI konsisten dan logis. Selain itu, tahap ini juga mencakup pembuatan storyboard atau alur penggunaan “Asisten Prompt” bagi guru, mulai dari input topik hingga validasi hasil.

Tahap ketiga, Development, merupakan fase produksi aset berupa bank prompt dan panduan teknis digital berbasis web atau PDF interaktif. Pemilihan platform difokuskan pada aksesibilitas tinggi (seperti web-based generator) untuk mendukung visi masa depan teknologi pembelajaran. Sebagaimana dijelaskan oleh Moller, Huett, dan Harvey (2009), teknologi pendidikan yang efektif harus bersifat ubiquitous (ada di mana saja) dan mudah diakses untuk mendukung pembelajaran tanpa batas. Hasil dari tahapan ini adalah purwarupa “Asisten Prompt RTF” yang fungsional dan siap untuk diuji.

Tahap terakhir, Evaluation, melibatkan uji coba terbatas dan pengukuran efektivitas produk. Simulasi penggunaan dilakukan oleh rekan sejawat dan guru model untuk menguji akurasi rencana pembelajaran yang dihasilkan oleh sistem. Evaluasi ini merujuk pada prinsip-prinsip dalam Spector et al. (2014), yang menekankan pentingnya penggunaan instrumen asesmen yang valid untuk mengukur dampak teknologi terhadap hasil belajar secara objektif. Hasil evaluasi kemudian dianalisis sebagai bahan refleksi untuk menentukan apakah alat bantu ini efektif memberdayakan guru atau memerlukan perbaikan pada siklus pengembangan berikutnya.

Referensi

Albert, M. V., Lin, L., Spector, M. J., & Dunn, L. S. (Eds.). (2021). Bridging human intelligence and artificial intelligence. Springer.

Almandhari, B. (2025). Empowering educators in the age of AI: Balancing humanistic teaching with technological integration. Edited Volume, 161.

Ataş, A. H., & Yıldırım, Z. (2025). A shared metacognition-focused instructional design model for online collaborative learning environments. Educational Technology Research and Development, 73(1), 567-613.

Bishop, M. J., Boling, E., Elen, J., & Svihla, V. (Eds.). (2020). Handbook of research in educational communications and technology (5th ed.). Springer.

Gong, X., Xu, W., & Qiao, A. (2025). Exploring undergraduates’ computational thinking and human-computer interaction patterns in generative progressive prompt-assisted programming learning. International Journal of Educational Technology in Higher Education, 22(1), 51. https://doi.org/10.1186/s41239-024-00445-x

Hill, T. D., & Ellis, A. (2025). Beyond content: An exploration of teachers’ practices for supporting academically advanced students in elective high school classrooms. Journal of Advanced Academics. https://doi.org/10.1177/1932202X251361596

Hokanson, B., Clinton, G., Tawfik, A. A., Grincewicz, A., & Schmidt, M. (Eds.). (2018). Educational technology beyond content: A new focus for learning. Springer.

Honeyman, K., & Eck, C. J. (2025). Beyond content knowledge: Inquiry-based learning and preservice teachers’ perceived ability to incorporate STEM and AFNR concepts. Journal of Agricultural Education, 66(3), 19-19.

Hsu, H. P. (2025). From programming to prompting: Developing computational thinking through large language model-based generative artificial intelligence. TechTrends, 1-22. https://doi.org/10.1007/s11528-024-01026-6

Januszewski, A., & Molenda, M. (Eds.). (2008). Educational technology: A definition with commentary. Lawrence Erlbaum Associates.

Jing, Y., Dai, J., Wang, C., Shen, S., & Shadiev, R. (2025). Unleashing the power of virtual learning environment: exploring the impact on learning outcomes through a meta-analysis. Interactive Learning Environments, 33(1), 52-69.

Moller, L., & Huett, J. B. (Eds.). (2012). The next generation of distance education: Unconstrained learning. Springer.

Moller, L., Huett, J. B., & Harvey, D. M. (Eds.). (2009). Learning and instructional technologies for the 21st century: Visions of the future. Springer.

Ran, H., Cai, J., Hwang, S., Han, J., Ma, Y., & Muirhead, F. (2025). Effects of engaging in problem-posing interventions on learners’ cognitive mathematics outcomes: A comprehensive meta-analysis. Journal for Research in Mathematics Education, 56(5), 259-282.

Rich, P. J., & Hodges, C. B. (Eds.). (2017). Emerging research, practice, and policy on computational thinking. Springer.