Learning analytics dapat membantu perguruan tinggi memahami pola belajar, menemukan kebutuhan dukungan akademik, dan mengevaluasi hasil pendidikan. Data dari sistem pembelajaran, aktivitas mahasiswa, serta capaian akademik dapat memberi gambaran yang lebih baik tentang pengalaman belajar.
Namun, manfaat tersebut tidak otomatis membuat setiap penggunaan data menjadi tepat. Data mahasiswa dapat memuat identitas, rekam aktivitas pembelajaran, nilai, hingga indikator risiko. Karena itu, perguruan tinggi memerlukan tata kelola learning analytics yang mengatur tujuan, akses, keamanan, transparansi, dan evaluasi dampaknya.
Tata kelola bukan sekadar kepatuhan administratif atau pemilihan perangkat lunak. Tata kelola adalah cara memastikan bahwa data digunakan untuk tujuan pendidikan yang sah, proporsional, dapat dipertanggungjawabkan, dan tetap menghormati mahasiswa sebagai individu.
Apa yang Dimaksud dengan Tata Kelola Learning Analytics?
Learning analytics mengintegrasikan data dan praktik berbasis data untuk memengaruhi keputusan yang berkaitan dengan pengalaman serta hasil belajar mahasiswa. Contohnya adalah penggunaan pola aktivitas di LMS untuk merancang dukungan akademik, atau analisis capaian untuk mengevaluasi efektivitas pembelajaran.
Dalam kerangka student success analytics, inisiatif analitik dapat dipahami melalui empat komponen yang saling berkaitan:
- Kesiapan: kemampuan institusi, kualitas data, peran pengelola, infrastruktur, dan budaya penggunaan data.
- Hasil: perubahan atau tujuan pendidikan yang ingin dicapai.
- Analisis: cara data dikumpulkan, diproses, ditafsirkan, dan disajikan.
- Keputusan: tindakan yang diambil berdasarkan hasil analisis serta dampaknya bagi mahasiswa.
Keempat komponen ini perlu dirancang bersama. Analisis yang canggih tidak banyak berarti jika tujuan tidak jelas atau keputusan yang dihasilkan justru merugikan mahasiswa.
Prinsip Etis dalam Penggunaan Data Mahasiswa
1. Mulai dari tujuan yang jelas
Sebelum mengumpulkan data, institusi perlu menjawab pertanyaan: masalah pendidikan apa yang hendak diselesaikan, siapa yang akan menggunakan hasilnya, dan keputusan apa yang mungkin diambil?
Tujuan yang spesifik membantu mencegah pengumpulan data secara berlebihan. Misalnya, jika tujuannya adalah mengetahui mahasiswa yang membutuhkan informasi dukungan akademik, tidak semua data pribadi atau aktivitas perlu digunakan. Data yang dipilih harus benar-benar relevan dengan tujuan tersebut.
2. Hormati mahasiswa dan otonominya
Mahasiswa bukan sekadar sumber data atau skor risiko. Mereka perlu memahami bagaimana data digunakan dan memiliki ruang untuk menyampaikan pertanyaan, mengoreksi informasi yang keliru, atau menyampaikan keberatan melalui mekanisme yang tersedia.
Indikator dari sistem analitik juga tidak boleh diperlakukan sebagai kepastian tentang kemampuan, karakter, atau masa depan mahasiswa. Prediksi dapat keliru dan harus menjadi bahan pertimbangan, bukan keputusan otomatis yang menentukan nasib akademik seseorang.
3. Cegah dampak buruk dan perlakukan mahasiswa secara setara
Institusi perlu menilai apakah model atau aturan analitik berpotensi menghasilkan salah klasifikasi atau bias terhadap kelompok tertentu. Perbedaan pola akses, kondisi ekonomi, kebutuhan disabilitas, atau situasi belajar dapat memengaruhi data yang terlihat oleh sistem.
Evaluasi tidak cukup berhenti pada akurasi teknis. Perguruan tinggi juga perlu melihat dampak nyata intervensi: apakah mahasiswa memperoleh bantuan yang sesuai, apakah ada kelompok yang lebih sering diberi label berisiko, dan apakah tindakan tersebut memperluas atau justru mempersempit kesempatan belajar.
4. Bangun akuntabilitas
Harus jelas siapa yang bertanggung jawab atas kualitas data, pengelolaan sistem, interpretasi analisis, keputusan intervensi, serta penanganan keluhan. Akuntabilitas juga berarti institusi bersedia meninjau kembali penggunaan analitik ketika hasilnya tidak sesuai tujuan atau menimbulkan dampak yang tidak diharapkan.
Langkah Menerapkan Tata Kelola Learning Analytics
1. Bentuk peran dan tanggung jawab
Libatkan pimpinan, dosen, pengelola LMS, tenaga kependidikan, pengelola teknologi, dan perwakilan mahasiswa sejak tahap perencanaan. Setiap pihak dapat melihat risiko dari sudut yang berbeda. Pengelola teknologi mungkin berfokus pada keamanan, sedangkan dosen dapat menilai apakah indikator benar-benar berguna dalam konteks pembelajaran.
Dokumen tata kelola sebaiknya menjelaskan pemilik proses, pengguna data, prosedur persetujuan, mekanisme pengawasan, serta jalur pelaporan ketika terjadi kesalahan atau insiden.
2. Petakan data dan batasi pengumpulannya
Identifikasi jenis data yang digunakan, sumbernya, tujuan penggunaan, serta pihak yang dapat mengaksesnya. Bedakan data identitas, aktivitas pembelajaran, capaian akademik, dan indikator risiko.
Terapkan prinsip kebutuhan minimum: kumpulkan dan proses hanya data yang diperlukan. Hindari menggunakan data tambahan sekadar karena tersedia. Pembatasan ini mengurangi risiko penyalahgunaan sekaligus membuat analisis lebih mudah dijelaskan kepada mahasiswa.
3. Terapkan akses berbasis peran
Tidak semua orang di perguruan tinggi perlu melihat data yang sama. Dosen, pengelola LMS, konselor akademik, pimpinan, dan vendor dapat memiliki kebutuhan akses yang berbeda.
Atur agar setiap pengguna hanya melihat informasi yang diperlukan untuk pekerjaannya. Akses perlu ditinjau secara berkala, terutama ketika seseorang berpindah peran atau tidak lagi terlibat dalam program analitik. Pencatatan akses juga membantu institusi memantau kepatuhan.
4. Jelaskan penggunaan data kepada mahasiswa
Transparansi perlu disampaikan dengan bahasa yang mudah dipahami. Mahasiswa setidaknya perlu mengetahui data apa yang dikumpulkan, bagaimana data dianalisis, untuk tujuan apa hasilnya digunakan, dan tindakan apa yang mungkin diambil.
Penjelasan yang baik tidak hanya menampilkan istilah teknis atau kebijakan panjang. Sertakan contoh penggunaan, batasan prediksi, pihak yang dapat melihat data, serta cara mahasiswa meminta koreksi atau mengajukan keberatan.
5. Kelola pihak ketiga dengan hati-hati
Jika data dibagikan kepada organisasi atau vendor pihak ketiga, institusi perlu memastikan adanya tujuan penggunaan yang sah, perlindungan keamanan, dan perjanjian tertulis dalam kondisi yang dipersyaratkan. Perjanjian perlu mengatur penggunaan data, pembatasan akses, perlindungan informasi, serta masa penyimpanan dan pemusnahan data.
Kepatuhan terhadap satu aturan privasi tidak otomatis berarti penggunaan data sudah etis. Persyaratan dapat berbeda menurut yurisdiksi dan kebijakan institusi. Karena itu, penilaian etis dan pengawasan internal tetap diperlukan.
6. Tetapkan masa simpan dan prosedur pemusnahan
Data tidak seharusnya disimpan tanpa batas waktu. Tentukan berapa lama data dibutuhkan untuk tujuan tertentu, kapan akses dihentikan, dan bagaimana data dimusnahkan atau dihapus secara aman ketika tidak lagi diperlukan.
7. Evaluasi dampak, bukan hanya sistem
Setelah diterapkan, ukur apakah analitik benar-benar membantu pembelajaran. Tinjau ketepatan indikator, jumlah dan kualitas intervensi, respons mahasiswa, serta kemungkinan dampak yang tidak diinginkan.
Masukan mahasiswa, dosen, tenaga kependidikan, pengelola teknologi, dan pimpinan perlu menjadi bagian dari evaluasi. Jika hasil analitik tidak menghasilkan dukungan yang bermanfaat, sistem perlu diperbaiki, dibatasi, atau dihentikan.
Panduan Praktis bagi Setiap Pihak
- Mahasiswa: pahami penjelasan penggunaan data, periksa informasi yang dapat diakses, dan gunakan kanal koreksi atau keberatan jika menemukan kekeliruan.
- Dosen: gunakan indikator sebagai sinyal untuk menawarkan dukungan, bukan sebagai label tetap atau dasar hukuman otomatis.
- Pengelola LMS: dokumentasikan sumber data, terapkan akses berbasis peran, jaga keamanan, dan hapus data sesuai masa simpan.
- Pengelola kampus: tetapkan tujuan, peran, prosedur pengawasan, aturan pihak ketiga, serta evaluasi dampak secara berkala.
Penutup
Tata kelola learning analytics yang baik menempatkan keberhasilan belajar dan hak mahasiswa sebagai tujuan yang berjalan bersama. Institusi perlu menghubungkan kesiapan, hasil, analisis, dan keputusan dalam satu kerangka yang dapat diawasi.
Dengan tujuan yang jelas, data minimum yang relevan, akses terbatas, keamanan yang memadai, transparansi, serta mekanisme koreksi dan evaluasi, learning analytics dapat menjadi alat pendukung pembelajaran—bukan sarana pelabelan atau pengawasan yang berlebihan.