PENGEMBANGAN MODUL AJAR DIGITAL BERBASIS DEEP LEARNING UNTUK MENINGKATKAN PEMAHAMAN KONSEP MATEMATIKA SISWA
Kata Kunci:
Modul Ajar, Pembelajaran Adaptif, Deep Learning, RNN, Pemahaman MatematikaAbstrak
Studi ini bertujuan untuk mengembangkan dan memvalidasi sebuah modul ajar digital yang mengintegrasikan teknologi deep learning dalam proses pembelajaran matematika. Modul ini dirancang secara adaptif untuk membantu siswa memahami konsep-konsep dasar matematika, khususnya pada materi sistem persamaan linear dua variabel (SPLDV). Teknologi Recurrent Neural Network (RNN) digunakan untuk menganalisis data interaksi siswa dengan modul, sehingga dapat memberikan materi lanjutan sesuai kebutuhan belajar masing-masing individu. Penelitian ini menggunakan pendekatan pengembangan produk yang dimodifikasi dari model Sugiyono, meliputi tiga tahap utama: analisis kebutuhan, perancangan produk, dan validasi ahli. Hasil validasi oleh para pakar menyatakan bahwa modul ini tergolong sangat layak dari segi isi, tampilan, dan fitur adaptif yang disediakan. Dengan demikian, modul ajar ini dinilai berpotensi untuk mendukung pembelajaran matematika yang bersifat personal dan responsif terhadap kebutuhan siswa.
This study aims to develop and validate a digital learning module that integrates deep learning technology into mathematics instruction. The module is designed to be adaptive, assisting students in comprehending fundamental mathematical concepts, particularly on the topic of systems of linear equations in two variables (SPLDV). A Recurrent Neural Network (RNN) architecture is utilized to analyze students' learning interactions, enabling the system to deliver personalized content based on each learner's individual needs. The research follows a modified development model inspired by Sugiyono, focusing on three main stages: needs analysis, product design, and expert validation. Validation results from subject matter experts indicate that the module is highly feasible in terms of content, interface design, and adaptive features. Consequently, the developed module shows significant potential to support personalized and responsive mathematics learning.
