Penugasan Intervensi Pembelajaran Matematika Berbasis Learning Analytics dengan Kendala Klaster: Pendekatan Benders Decomposition

Abstract

Penelitian ini bertujuan mengembangkan model optimasi penugasan intervensi pembelajaran matematika berbasis learning analytics dengan kendala klaster, agar keputusan intervensi tidak berhenti pada prediksi risiko, tetapi menjadi alokasi layanan yang terukur, auditabel, dan adil. Metode yang digunakan adalah studi komputasional dengan memodelkan skor kebutuhan siswa, kapasitas intervensi, kelayakan layanan, dan pemerataan antarklaster dalam kerangka mixed integer linear programming, kemudian diselesaikan melalui Bender’s decomposition dan dibandingkan dengan direct solve serta greedy heuristic. Hasil menunjukkan bahwa model mampu menghasilkan solusi layak pada seluruh skenario pengujian, menjaga struktur penugasan sesuai kapasitas layanan, dan menurunkan deviasi pemerataan ketika kendala klaster diperketat. Dibandingkan heuristik sederhana, pendekatan optimasi formal lebih kuat dalam menjaga distribusi layanan antarklaster. Temuan ini memberi kontribusi bagi pendidikan matematika dengan menyediakan dasar pengambilan keputusan intervensi yang lebih transparan, berbasis data, dan responsif terhadap variasi kebutuhan belajar siswa.