Guru Besar UNS Surakarta Kukuhkan Prof. Dr. Sri Yamtinah, M.Pd, Guru Besar Bidang Ilmu Evaluasi dan Pembelajaran Kimia

Fokus Jateng- SOLO – Rektor Universitas Sebelas Maret (UNS) Surakarta, Prof. Dr. Hartono, dr., M.Si mengkukuhkan Guru Besar (GB) baru dalam Sidang Terbuka Senat Akademik UNS, pada Selasa 11 Februari 2025 di Auditorium G.P.H. Haryo Mataram UNS.
Pengukuhan Guru Besar baru hari kedua, diantaranya Prof. Dr. Ir. Minar Ferichani, M.P (Fakultas Pertanian), Prof. Dr. Emmy Latifah, S.H.,M.H (Fakultas Hukum), Prof. Dra. Prahastiwi Utari, M.Si., Ph.D (Fakultas Ilmu Sosial dan Politik), Prof. Dr.Eng. Risa Suryana, S.Si., M.Si (Fakultas Matematika dan Ilmu Pengetahuan Alam), Prof. Dr. Sri Yamtinah, M.Pd (Fakultas Keguruan dan Ilmu Pendidikan), Prof. Dr. Supriyono, M.Si (Fakultas Ekonomi dan Bisnis), Prof. Dr. Agus Efendi, M.Pd (Fakultas Keguruan dan Ilmu Pendidikan), Prof. Dr. Techn. Dewi Wisnu Wardani, S.Kom., M.S (Fakultas Teknologi Informasi dan Sains Data), Prof. Dr. Ir. Jaka Suyana, M.Si (Fakultas Pertanian) dan Prof. Ofita Purwani, S.T., M.T., Ph.D (Fakultas Teknik).
Sri Yamtinah, dikukuhkan sebagai Guru Besar dalam bidang Ilmu Evaluasi dan Pembelajaran Kimia pada Fakultas Keguruan dan Ilmu Pendidikan (FKIP) UNS Surakarta. Sri Yamtinah lahir di Surakarta, pada 4 Desember 1969 menjadi Guru Besar UNS dengan pidato berjudul “Technology-Based Assessment dalam Pembelajaran Kimia: Transformasi Menuju Pembelajaran yang Lebih Responsif dan Adaptif” disampaikan dalam Sidang Terbuka Senat Akademik di Auditorium GPH Haryo Mataram UNS Surakarta.
Ia merupakan dosen Program Studi S2 Pendidikan Sains FKIP UNS Surakarta yang sebelumnya menjabat Kepala Program Studi S2 Pendidikan Kimia FKIP UNS Surakarta selama 2 periode.
“Terkait judul ini sesungguhnya saya pilih untuk menekankan bahwa pada era digital, maka pembelajaran dan penilaian dapat mengambil manfaat yang besar dari teknologi untuk membawa pembelajaran dan penilaian menjadi lebih efektif dan efisien,” terang Sri Yamtinah.
Ia menjelaskan, pada transformasi penggunaan teknologi dalam asesmen pendidikan menuntut sistem penilaian yang responsif, cepat, dan akurat untuk mendukung pembelajaran yang relevan bagi siswa dalam menghadapi dunia kerja yang dinamis. Perkembangan assessment sesuai time line riset evaluasi dan pembelajaran kimia di mulai dari Fase 1: Asesmen Tradisional (2015–2016), dimana pada instrumen asesmen pembelajaran kimia dan karakteristiknya untuk mengukur hasil belajar peserta didik. Fase 2: Computer-Based Assessment 2017-2018 (2017-2018) dimana pada instrument Computerized Two-Tier Multiple Choice (CTTMC) untuk mengukur level representasi kimia dan Miskonsepsi Siswa.
“Bahkan pada pengembangan Computerized Two-Tier Multiple Choice (CTTMC) dilengkapi Profil Individu untuk mengikur hasil belajar kimia siswa SMA secara efektif dan efisien,” papar Sri Yamtinah.
Untuk Fase 3: Web Basic Assessment (2019-2920) dimana pengembangan instrument Computerized untuk mengukur Literasi Kimia dan Kemampuan Berpikir Kritis Siswa. Kedua, karakteristik Butir Instrumen Two Tier Multiple Choice pada materi IPA Terpadu SMP menggunakan Model Rasch. Fase 4: AKM dan Transformative Assesment (2022-2023) dimana persepsi dan kesiapan guru dalam mengelola Asesmen Kompetensi Minimum (AKM) sebagai bagian dari Asesmen Nasional.
“Kedua, pengembangan model pembelajaran Culturally Responsive Transformative Teaching (CRTT) berorientasi Etnokimia dilengkapi penilaian otomatis dengan Machine Learning,” imbuhnya.
Kemudian, terakhir adalah Fase 5: AI dan VR Bases Assesment (2023-2024) dimana pengembangan website berbasis machine learning penilaian otomatis esai pada pembelajaran kimia SMA materi kesetimbangan kimia. Kedua, Culturally Responsive Transformative Teaching: Automatic Assesment-Based Asrtificial Intelligent untuk Identifikasi Miskonsepsi dan Literasi Sains Siswa pada Pembelajaran Kimia. Ketiga, Inovasi Asesmen Berbasis Virtual Reality untuk Diagnosis Miskonsepsi dan Pemahaman Konsep Kimia Siswa.
Pada prosesnya,lanjut Sri Yamtinah, sistem Natural Language Processing (NLP) menjalani beberapa tahapan penting, dari preprocessing jawaban siswa hingga fine-tuning model. Jawaban siswa diproses melalui tahapan tokenisasi dan pembersihan data (stop words), sebelum diubah menjadi representasi semantik menggunakan algoritma seperti Word2Vec atau GloVe. Model NLP kemudian mencocokkan jawaban siswa dengan knowledge base, yaitu bank data yang mencakup jawaban ahli untuk evaluasi relevansi dan kesesuaian jawaban. Proses fine-tuning dilakukan pada model generik, seperti BERT atau GPT, menggunakan dataset jawaban siswa pada konsep spesifik kimia, seperti stoikiometri dan reaksi eksotermik.
“Hasilnya, model dapat mendeteksi pola jawaban siswa yang menunjukkan pemahaman mendalam atau miskonsepsi tertentu, seperti kesalahan dalam memahami mekanisme reaksi kimia.”
Sistem yang dikembangkan memiliki kemampuan untuk melakukan penilaian otomatis, baik melalui input teks maupun input gambar. Input gambar, seperti jawaban tertulis siswa, dapat dimasukkan ke dalam sistem berbasis AI, di mana teknologi machine learning akan memproses jawaban tersebut, memberikan skor secara akurat, serta menyertakan deskripsi yang relevan terkait jawaban siswa.
“Sistem ini dirancang untuk mempermudah pekerjaan guru dalam melakukan penilaian, mempercepat respons terhadap hasil belajar siswa, dan memastikan bahwa proses penilaian sesuai dengan kebutuhan guru. Dengan memanfaatkan teknologi ini, guru dapat lebih fokus pada pengembangan pembelajaran yang efektif, sementara sistem otomatis menangani aspek administratif penilaian,” ucap Sri Yamtinah dalam mengakhiri pidatonya. (ist.**)