Belajar dengan analytics dapat meningkatkan IT skills. Bagaimana caranya?

Dunia teknologi bergerak begitu cepat. Rasanya baru kemarin muncul berita Garry Kasparov vs Deep Blue di tahun 1997 menjadi bukti bahwa komputer bisa diprogram untuk melakukan apa yang manusia lakukan. Tahun 1997 tersebut menjadi ikonik di mana pertama kalinya komputer bisa mengalahkan Garry Kasparov—Russian Chess Grandmaster, World Chess Champion—dalam sebuah permainan catur.

Chess Grandmaster Kasparov tengah melawan komputer Deep Blue dalam sebuah pertandingan catur. Posisi keduanya berada berseberangan.

Chess Grandmaster Kasparov melawan komputer Deep Blue dalam sebuah pertandingan catur pada Tahun 1997.

Sumber: Kasparov Vs. Deep Blue

💻 Mulai Belajar Pemrograman

Belajar pemrograman di Dicoding Academy dan mulai perjalanan Anda sebagai developer profesional.

Daftar Sekarang

Sekarang tidak sekadar komputer, tetapi juga AI, cloud computing, cyber security, dan segudang teknologi baru lainnya. Bagi kamu yang ingin terjun ke dunia IT atau menambah skill di bidang ini, terutama sebagai pemula sekaligus pembelajar autodidak, mungkin merasa kebingungan, kewalahan, bahkan merasa hasilnya “tidak kelihatan”.

“Begitu banyak yang harus dipelajari, dari mana harus memulai? Apa yang harus disiapkan? Apa tandanya kalau saya sudah bisa?” 😵‍💫

Tenang! Data-Driven Learning (DDL) hadir sebagai solusi. Bayangkan kita mau pergi dari Bandung ke Malang, lalu ada sebuah peta yang dapat menunjukkan jalan paling efektif dan efisien. Inilah esensi dari data-driven learning, yaitu

menggunakan data untuk memahami kekuatan dan kelemahan yang kita miliki, lalu
menyesuaikan perjalanan belajar agar lebih personal dan efektif.

DDL memanfaatkan analytics—tepatnya learning analytics—dalam menelaah progres dan area yang perlu ditingkatkan, menjadikan proses belajar lebih terarah dan efisien. Hasilnya, kita tidak hanya belajar lebih cepat, tetapi juga lebih cerdas.

Skill Up with Analytics

Jadi, apa itu data-driven learning?

Konsep Data-Driven Learning (DDL) sebenarnya berakar dari dua ranah: pengembangan sistem pembelajaran berbantuan komputer (Computer-Assisted Instruction, CAI) dan kemunculan learning analytics di era Big Data.

DDL adalah pendekatan pembelajaran yang memanfaatkan informasi dan statistik tentang kinerja pembelajar (orang yang belajar) sebagai panduan. Singkatnya, DDL adalah cara belajar dengan memanfaatkan learning analytics atau analisis data belajar. Dengan DDL, setiap data dalam kegiatan belajar kita perlu dianalisis sebelum lanjut ke langkah berikutnya. Kini, di era AI dan Big Data, pendekatan ini menjadi jantung dari pembelajaran yang terukur, personal, dan berbasis bukti—baik di akademik maupun korporasi.

Jika belajar dengan DDL, kita tidak lagi sekadar duduk, baca, mendengarkan, lalu lanjut ke materi berikutnya—hal yang selama ini mungkin biasa dilakukan ketika belajar autodidak. Jangan-jangan kita membuang-buang waktu di topik yang sudah dikuasai dan/atau kurang mendalami area yang menjadi kelemahan?

Banyak manfaat yang kita dapatkan jika menerapkan DDL, terutama bagi pemula yang mau meningkatkan skill di bidang IT.

Data dapat membantu kita mengidentifikasi skill IT yang paling dicari di pasar kerja saat ini.
Kita bisa tahu persis di area mana perlu lebih banyak latihan, pemahaman, atau pendalaman belajar.
Waktu tidak lagi terbuang sia-sia untuk materi yang tidak relevan atau sudah dikuasai.
Dengan melihat visualisasi kemajuan belajar secara real-time, semangat belajar akan terus terpacu.

Analytics in Practice

Menerapkan pendekatan ini tidak serumit kedengarannya, kok. Ayo mulai dengan mengikuti 6 langkah praktis berikut ini.

1. Membuat SMART Goal

Sebelum belajar terlalu jauh, kita perlu menentukan tujuan belajar di awal. Misalnya, kita belajar untuk “bisa coding”. Tujuan yang oke, tetapi oke banget kalau bisa lebih detail seperti ini.

“Saya ingin bisa membuat website sederhana menggunakan HTML, CSS, dan JavaScript dalam 3 bulan.”

Mudah saja jika ingin membuat tujuan yang detail seperti contoh tersebut. Kita tinggal mengingat prinsip SMART.

Specific → Pastikan tujuan mencakup 5W (What, Why, Who, Where, When) agar jelas dan spesifik.
Measurable → Tujuan juga harus dapat diukur atau dilihat metriksnya.
Achievable → Tidak harus setinggi mungkin, tujuan yang baik adalah yang realistis untuk dicapai.
Relevant → Pastikan tujuan dapat memberikan manfaat yang tidak hanya untuk saat ini, tetapi juga masa depan.
Time-bound → Agar kita fokus, tetapkan tenggat waktu untuk mencapai tujuan tersebut.

Pro-tips: Riset skill IT apa yang paling banyak dicari industri saat ini melalui banyaknya lowongan pekerjaan dan tren teknologi. Ini bisa membantu kita bikin tujuan yang relevan dengan kebutuhan pasar.

2. Melakukan Self-Assessment

Menilai diri sendiri (self-assessment) adalah langkah krusial sebelum belajar. Kenapa begitu? Tentu karena kita perlu tahu perlu start dari mana. Setiap orang boleh start dari tempat yang berbeda-beda. Ada dua cara self-assessment.

Refleksi

Jujur pada diri sendiri tentang apa yang sudah diketahui dan tidak ketahui. Buat daftar topik IT yang menarik minat, lalu beri rating seberapa mahir kita dengan masing-masing topik itu.

Tes Diagnostik

Banyak platform belajar menawarkan tes diagnostik gratis. Misalnya di Dicoding, kalau ingin belajar machine learning, kita dapat mengecek kemampuan dasar dengan menjawab beberapa pertanyaan melalui fitur Dibantu (Course Recommender) berikut. Hasil tes akan menunjukkan area mana yang sudah dan belum dikuasai sehingga kita dapat mulai belajar di kelas yang sesuai.

Contoh analytics sebelum mulai belajar: Fitur Dibantu di Dicoding yang dapat mendiagnosis kemampuan awal siswa.

Fitur Dibantu (Course Recommender) di Dicoding dapat mendiagnosis kemampuan atau pemahaman awal siswa terhadap materi yang hendak dipelajari.

3. Memilih Sumber Belajar

Langkah selanjutnya adalah memilih sumber belajar. Pilih platform atau sumber yang tidak hanya menyediakan materi, tetapi juga bisa melacak progres dan memberikan rekomendasi. Sebagai gambaran, dashboard akun Dicoding menampilkan progres belajar dan rekomendasi belajar yang informatif.

Contoh analytics dalam proses belajar: Dashboard siswa Dicoding yang menunjukkan progres dan rekomendasi belajar.

Dashboard siswa Dicoding dapat menunjukkan progres dan rekomendasi belajar siswa tersebut pada kelas yang diikuti.

Tidak hanya di platform kursus, kita juga dapat belajar dari buku, artikel, dan video. Jadi kita juga bisa memilih sumber yang sesuai dengan gaya belajar.

Pro-tips: Apa pun sumber belajar yang dipilih, kita harus mengevaluasi hasil belajar. Kalau memilih platform kursus, carilah yang menyediakan kuis, latihan interaktif, atau proyek yang dinilai. Kalau memilih selain platform kursus, biasakan untuk melakukan refleksi setelah belajar.

4. Mengumpulkan Data Belajar

Inilah inti dari DDL, memantau progres dan mengumpulkan data! Kita harus terus mengumpulkan data sepanjang perjalanan belajar. Mudahnya, kumpulkan data dari pertanyaan berikut.

Waktu belajar → Berapa jam kita habiskan per minggu?
Nilai kuis/ujian → Di topik mana kita paling sering benar atau salah?
Penyelesaian proyek → Berapa banyak proyek yang berhasil kita selesaikan?
Tingkat kesalahan → Seberapa sering kita melakukan kesalahan dalam menulis sintaksis atau logika?

Semua data tersebut dapat dilacak secara mandiri, lho. Misalnya untuk melacak kesalahan dalam penulisan sintaksis, kamu fitur di IDE/text editor seperti linter atau ekstensi analisis kode, hasil unit test, atau catatan manual saat debugging proyek. Kenapa ini mengumpulkan data belajar penting? Percayalah, memperhatikan progres adalah cara memotivasi diri yang paling efektif karena kita membandingkan diri sebelum, selama, dan setelah belajar.

Pro-tips: Gunakan tools yang efektif untuk monitoring. Sebagian besar platform kursus sudah punya dashboard analitik—seperti Dicoding—tetapi jika tidak belajar di platform, kita bisa menggunakan spreadsheet sederhana (Google Sheets atau Microsoft Excel) untuk melacak jam belajar, topik yang sulit, atau hasil refleksi.

5. Menganalisis Data Belajar

Tentunya, data yang sudah kita kumpulkan tadi akan lebih berarti kalau dianalisis. Simpelnya, kita perlu melakukan analisis data sederhana yang mencakup dua hal berikut.

Identifikasi Pola

Setelah seminggu atau sebulan, cermati data yang diperoleh. Apakah ada topik yang terus-menerus dapat nilai jelek? Ada kesalahan coding yang berulang? Ada waktu tertentu untuk lebih produktif atau sebaliknya? Untuk analisis yang lebih mendalam, kamu boleh memakai visualisasi data sederhana (misalnya, grafik batang untuk skor topik, diagram garis untuk progres waktu) atau analisis deskriptif dasar (rata-rata, frekuensi). Visualisasi dapat mengungkap pola yang mungkin tidak terlihat secara langsung.

Iterasi dan Adaptasi

Setelah mengidentifikasi pola, sesuaikan strategi belajar. Misalnya, ternyata kita kesulitan dengan konsep-konsep matematika pada Python. Itulah sinyal perlunya mencari lebih banyak latihan atau tutorial topik tersebut. Mungkin kita perlu mengulang materi, mencari sumber belajar lain yang menjelaskan dengan cara berbeda, atau bahkan mencari mentor. Pertimbangkan juga untuk melakukan A/B testing sederhana pada strategi belajar (misalnya, membandingkan efektivitas belajar di pagi hari vs. malam hari, atau membaca vs. mengerjakan proyek).

6. Memvalidasi Hasil Belajar

Nah, ini dia yang terakhir. Teori tanpa praktik itu kurang lengkap. Jadi, terapkan skill IT yang sudah dipelajari dalam proyek nyata. Inilah cara terbaik memvalidasi hasil belajar. Misalnya, setelah selesai belajar machine learning, buatlah proyek sederhana seperti klasifikasi gambar, deteksi spam di email, analisis sentimen, atau yang lainnya. Proyek ini dapat kita masukkan ke portofolio yang mana akan jadi nilai tambah lainnya.

Jangan lupa untuk meminta feedback dari orang-orang yang lebih kompeten. Bagikan kepada teman, komunitas online (misalnya di GitHub, forum developer, grup Discord, forum diskusi Dicoding), atau bahkan mentor. Feedback yang mereka berikan—baik pujian maupun kritik—adalah data berharga untuk meningkatkan skill.

_____

Itu dia cara meningkatkan IT skills dengan data-driven learning. Coba sekarang!