ANALISIS PERBANDINGAN MODEL DIAGNOSTIK KOGNITIF PADA KERANGKA POMDP UNTUK MODEL UJIAN ADAPTIF

Kemajuan analitik pembelajaran dan penambangan data pendidikan telah mendorong pengembangan sistem pembelajaran adaptif, dengan Cognitive Diagnostic Computerized Adaptive Testing (CD-CAT) sebagai salah satu pendekatan utama. CD-CAT memanfaatkan Cognitive Diagnosis Model (CDM) untuk memberikan diagnosis mendalam terhadap kemampuan siswa. Namun, tantangan muncul dalam mengelola kompleksitas dan ketidakpastian kebijakan adaptif, terutama ketika jumlah atribut dan item meningkat. Penelitian ini membandingkan empat model diagnosis kognitif GD-DINA, MIRT, MCD, dan KaNCD dalam sistem pengujian adaptif berbasis Partially Observable Markov Decision Process (POMDP). Model dievaluasi menggunakan metrik Akurasi, AUC, dan expected reward berdasarkan dataset ASSISTments. Hasil penelitian menunjukkan bahwa KaNCD merupakan model CDM dengan kinerja terbaik secara keseluruhan, dengan akurasi tertinggi (0.7503) dan AUC (0.7410), serta performa stabil pada pengujian adaptif berbasis POMDP (expected reward = 0.792). GD-DINA memperoleh reward tertinggi (0.901) namun dengan akurasi lebih rendah, sedangkan MCD menunjukkan kinerja seimbang dengan akurasi tinggi (0.7464) dan kemampuan adaptasi kebijakan yang kuat (reward = 0.873). Temuan ini menegaskan bahwa KaNCD memberikan keseimbangan paling optimal antara akurasi, interpretabilitas, dan efisiensi dalam sistem pengujian adaptif berbasis POMDP.