Metopen Kuantitatif - Usulan Novelty Artikel Pertemuan 9

fqs November 03, 2025 #PFIS258005 #kuliah

Nama: Firman Qashdus Sabil
NIM: 250321830676

5 Artikel Pilihan

Judul & Reviewer	Metode Penelitian	Instrumen/ Data Penelitian	Hasil	Gap
Exploring the Effects of Omitted Variable Bias in Physics Education Research — Walsh et al. (2021, Physical Review Physics Education Research) Aurelia Apriliyani	Kuantitatif, berbasis simulation modeling dan analisis regresi linear untuk menjelaskan bagaimana bias variabel terlewat (omitted variable bias, OVB) memengaruhi hasil penelitian pendidikan fisika. Menggunakan data nyata dan model analitik hipotesis (simulasi) untuk menggambarkan efek bias.	Dataset performa mahasiswa pada survei sikap terhadap eksperimen fisika. Analisis regresi linear dengan variabel kontrol yang disusun secara hipotetis.	Mengabaikan variabel pengganggu (confounding variable) yang berkorelasi dengan variabel independen menyebabkan estimasi efek menjadi bias. Menunjukkan pentingnya pemilihan variabel berdasarkan teori, bukan hanya signifikansi statistik.	Banyak penelitian pendidikan fisika masih menggunakan desain kuasi-eksperimental tanpa pengendalian variabel pengganggu. Perlu pendekatan analitik yang menggabungkan teori kausal dan machine learning (misalnya AI-based variable selection) untuk mengurangi OVB dalam data pendidikan.
Mixed Results from a Multiple Regression Analysis of Supplemental Instruction Courses in Introductory Physics; Burkholder, Salehi, & Wieman (2021, PLOS ONE) Allysa Hafsah Hafidhah	Desain kuasi-eksperimental dengan analisis regresi linear berganda. Membandingkan hasil akhir ujian mahasiswa yang mengikuti kursus tambahan (supplemental instruction, SI) dengan yang tidak.	Nilai ujian akhir mahasiswa pada mata kuliah Fisika 1 dan Fisika 2 (Mekanika & E&M). Data latar belakang (nilai SAT/ACT, pengalaman SMA, kesiapan matematika).	Kursus SI efektif untuk mata kuliah E&M tetapi tidak signifikan untuk Mekanika. Hasil yang berbeda menunjukkan kompleksitas desain dan pelaksanaan SI.	Kurangnya pemahaman faktor penyebab ketidakkonsistenan hasil (faktor motivasi, self-selection, strategi belajar). Perlu model AI atau learning analytics untuk memprediksi keberhasilan intervensi SI berdasarkan profil siswa.
Linear Regression Model to Predict the Use of Artificial Intelligence in Experimental Science Students — Flores Hinostroza et al. (2025, International Electronic Journal of Mathematics Education) Dhinar Asri Intantri	Pendekatan kuantitatif dengan survei dan analisis regresi linear berganda. Mengadopsi Technology Acceptance Model (TAM) sebagai kerangka teori.	Kuesioner terstruktur kepada 459 mahasiswa sains eksperimental di Universitas Chimborazo, Ekuador. Variabel: kompetensi AI, sumber daya digital, dan tingkat penggunaan AI.	Kompetensi AI dan ketersediaan sumber daya digital adalah prediktor signifikan terhadap penggunaan AI. Menunjukkan perlunya integrasi pelatihan AI dalam kurikulum pendidikan sains.	Belum ada penelitian intervensi untuk menguji bagaimana pelatihan berbasis AI memengaruhi pemahaman konsep sains eksperimen. Perlu studi penerapan AI dalam praktik pengajaran nyata (termasuk simulasi fisika).
Impact of Road Geometry on School-Area Traffic Congestion Using Regression and Machine Learning Analysis: Lessons from Six Saudi Cities — Shokry et al. (2025, Transportation Research Interdisciplinary Perspectives) Cindy Tyas Harvina	Analisis kuantitatif menggunakan Multiple Regression dan Machine Learning (XGBoost). Membandingkan performa model regresi vs ML dalam memprediksi kemacetan berdasarkan geometri jalan.	242 segmen jalan di 6 kota, data waktu tempuh dari Google Maps API. Variabel: kategori jalan, jumlah lajur, arah lalu lintas, median, parkir di pinggir jalan.	Model XGBoost lebih akurat daripada regresi linear (R² = 0,71). Faktor paling berpengaruh: kategori jalan dan jumlah lajur.	Belum diterapkan untuk konteks pendidikan (mis. mobilitas siswa, efisiensi jalur sekolah, atau pembelajaran data-driven). Dapat diadaptasi untuk pendidikan fisika: penerapan machine learning regression dalam menganalisis data eksperimen siswa (mis. gaya, percepatan, waktu tempuh).
Using Hierarchical Multiple Regression to Model the Impact of AI-Powered Adaptive Testing on Student Academic Fortunes and Test Anxiety in the Ghanaian Context — Ntumi (2025, Discover Education) Firman Qashdus Sabil	Kuantitatif dengan hierarchical multiple regression. Membandingkan hasil AI-powered adaptive testing dan tes tradisional.	250 siswa SMA di Ghana; stratified random sampling. Instrumen: tes adaptif berbasis AI, tes tradisional, kuesioner kecemasan ujian, dan data prestasi akademik.	AI adaptive testing meningkatkan skor rata-rata sebesar 7,3 poin dan menurunkan kecemasan ujian 3,8 poin. Menjelaskan 20% variasi tambahan dalam prestasi akademik.	Masih terbatas pada konteks Afrika; perlu replikasi di bidang lain seperti fisika atau pembelajaran eksperimen. Belum diuji hubungan antara adaptive testing dan conceptual understanding.

Sintesis Gap Antar Artikel

Berdasarkan kelima artikel:

AI telah banyak digunakan untuk analisis prediktif dan adaptive testing, namun belum banyak diterapkan sebagai mekanisme umpan balik formatif adaptif dalam pembelajaran fisika.
Physics education research (Walsh & Burkholder) menekankan pentingnya desain eksperimen dan kontrol variabel, tetapi jarang menggabungkan real-time feedback.
AI adoption research (Flores Hinostroza, Ntumi) menunjukkan kesiapan dan manfaat AI, namun lebih fokus pada teknologi dan psikologi daripada pemahaman konsep fisika.
Machine learning studies (Shokry et al.) membuka peluang teknis untuk membangun sistem prediktif berbasis data — dasar untuk AI feedback adaptif.

Usulan Judul:

AI-Mediated Adaptive Formative Feedback for Deep Conceptual Learning in Physics

Feedback Formatif Adaptif Berbantuan AI untuk Pembelajaran Konseptual Mendalam dalam Fisika

Scholar Indonesia Scholar Inggris