Deep learning (pembelajaran mendalam) dalam pendidikan indonesia: tinjauan sistematis teori dan praktik

Abstract

Perkembangan deep learning (pembelajaran mendalam) sebagai cabang machine learning telah membuka peluang baru bagi transformasi pendidikan di Indonesia, mulai dari sistem pembelajaran adaptif hingga analitik pembelajaran prediktif. Penelitian ini bertujuan untuk melakukan tinjauan sistematis terhadap teori dan praktik penerapan deep learning dalam konteks pendidikan Indonesia. Metode yang digunakan adalah Systematic Literature Review (SLR) mengacu pada protokol PRISMA, dengan menelusuri basis data Scopus, ScienceDirect, dan Google Scholar untuk publikasi periode 2019-2025. Dari 312 artikel yang teridentifikasi, 47 artikel memenuhi kriteria inklusi untuk dianalisis lebih lanjut. Hasil tinjauan menunjukkan bahwa penerapan deep learning di Indonesia terkonsentrasi pada empat domain utama: sistem rekomendasi pembelajaran adaptif (34%), deteksi dini risiko putus sekolah (23%), penilaian otomatis berbasis pemrosesan bahasa alami (21%), dan analisis sentimen umpan balik siswa (22%). Arsitektur yang paling banyak digunakan adalah Convolutional Neural Network (CNN) dan Long Short-Term Memory (LSTM), sedangkan penerapan arsitektur transformer masih terbatas. Tinjauan ini juga mengidentifikasi sejumlah tantangan signifikan, meliputi keterbatasan ketersediaan data pendidikan berskala besar, kesenjangan infrastruktur digital antarwilayah, serta minimnya kerangka etika dan tata kelola data siswa. Studi ini merekomendasikan perlunya kolaborasi lintas sektor antara institusi pendidikan, pengembang teknologi, dan pembuat kebijakan untuk mengoptimalkan potensi deep learning secara bertanggung jawab dalam ekosistem pendidikan Indonesia.