Pengembangan Perangkat Pembelajaran RBL-STEM untuk Meningkatkan Keterampilan Metakognisi Mahasiswa Menyelesaikan Masalah ANN Multi-Step Time Series Forecasting Volatilitas Cryptocurrency Menggunakan Analisis Fundamental, Technical, dan On-Chain.

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.