| dc.description.abstract | Pembelajaran berbasis riset (RBL-STEM) menjadi salah satu prioritas
utama dalam pengembangan kurikulum pendidikan tinggi karena
mengintegrasikan elemen sains, teknologi, teknik, dan matematika dengan
penerapannya pada masalah-masalah nyata. Penelitian ini bertujuan untuk
memperkuat keterampilan metakognisi mahasiswa. Yang mana metakognisi
mengacu pada bagaimana mahasiswa mampu mempertanyakan dan memikirkan
kembali kebenaran yang mereka dapatkan dan membangun kembali langkahlangkah atau alur pemahaman yang berkaitan dengan sesuatu dalam pikiran
mereka. Penelitian ini bertujuan untuk memperkuat keterampilan metakognisi
mahasiswa menggunankan perangkat pembelajaran berbasis RBL-STEM. Fokus
pembelajaran ini adalah menyelesaikan masalah volatilitas cryptocurrency
menggunakan metode ANN (Artificial Neural Network ) untuk multi-step Time
Series forecasting, dengan memanfaatkan tiga pendekatan utama: analisis
fundamental, technical, dan on-chain.
Penelitian ini menggunakan metode research and development (R&D) yang
berlandaskan model pengembangan 4D Thiagarajan yang meliputi tahap define,
design, develop, dan disseminate. Dengan hasil akhir berupa perangkat
pembelajaran RBL-STEM yang mencakup Rancangan Tugas Mahasiswa (RTM)
sebagai panduan aktivitas, Lembar Kerja Mahasiswa (LKM) untuk latihan
terstruktur, dan Tes Hasil Belajar (THB) sebagai alat evaluasi, sehingga
memberikan pendekatan komprehensif dalam mendukung pemahaman dan
kemampuan mahasiswa. Kerangka aktivitas RBL-STEM mencakup beberapa langkah utama, antara
lain: 1) tahap pertama yang harus dilakukan mahasiswa adalah memahami riset
terdahulu yang berkaitan dengan ANN multi-step Time Series forecasting
volatilitas cryptocurrency menggunakan analisis fundamental, technical, dan onchain. 2) Mengembangkan inovasi terkait pengaplikasian permasalahannya. 3)
Mencari literatur dan sumber informasi terkait permasalahan volatilitas
cryptocurrency menggunakan analisis fundamental. 4) Menganalisis data
cryptocurrency yang saling berkorelasi lalu merepresentasikan ke graf dan
melakukan analisis technical dan on-chain. 5) Menggeneralisasi data untuk
melakukan forecasting volatilitas cryptocurrency menggunakan ANN (Artificial
Neural Network). 6) Menyimpulkan hasil kegiatan pembelajaran dengan
mempresentasikan hasil yang didapatkan terkait penyelesaian permasalahannya.
Subjek penelitian terdapat 30 mahasiswa dengan hasil analisis data dibagi
menjadi dua jenis, yaitu analisis kuantitatif dan analisis kualitatif. Analisis
kuantitatif melibatkan pengolahan data pretest dan posttest, dimana dilakukan uji
normalitas dan uji t sampel berpasangan (paired sample t-test). Berdasarkan uji
normalitas, dapat disimpulkan bahwa nilai pretest (0,134) dan posttest (0,053)
berdistribusi yang normal, karena nilai signifikansi memenuhi (𝑆𝑖𝑔.) > 0,05.
Selanjutnya hasil paired sample t-test menunjukkan nilai Sig.(2-tailed) sama
dengan 0,000 < 0,05. Sehingga diperoleh kesimpulan terdapat perbedaan nilai
sebelum dan sesudah dilakukan pembelajaran menggunakan perangkat
RBLSTEM terhadap keterampilan metakognisi mahasiswa. Sedangkan dalam
analisis kualitatif, digunakan metode triangulasi data seperti potret fase, NVivo,
dan word cloud. Potret fase memberikan informasi bahwa subjek MT memenuhi 7
sub indikator, subjek MS memenuhi 6 sub indikator, dan subjek MR memenuhi 5
sub indikator. Dalam NVivo, data dikelompokkan menggunakan fitur diagram
perbandingan dan peta proyek. Selain itu, word cloud juga digunakan untuk
menampilkan kode soal dan jenis jawaban yang paling sering disampaikan oleh
mahasiswa sebagai representasi pemahaman mereka dalam proses pembelajaran
serta keterampilan metakognisi terkait materi yang telah diterapkan. | en_US |
