Analisis Prestasi Murid dengan AI: Kenal Pasti dan Bantu Lebih Awal

Pendahuluan

Setiap guru pernah berhadapan dengan situasi yang sama: seorang murid yang kelihatan baik-baik sahaja pada bulan pertama persekolahan, tetapi tiba-tiba gagal dalam peperiksaan pertengahan tahun. Apabila guru mula menyiasat, barulah terbukti bahawa tanda-tanda awal sudah wujud sejak minggu ketiga, hanya tidak ada sistem yang menangkapnya pada masa yang tepat. Inilah jurang yang cuba ditangani oleh kecerdasan buatan (AI) dalam konteks analisis data murid.

Pada Ogos 2026, penggunaan AI untuk menganalisis prestasi murid bukan lagi sesuatu yang terhad kepada universiti penyelidikan atau syarikat teknologi besar. Platform yang berintegrasi dengan sistem pengurusan pembelajaran dan sistem maklumat pelajar kini menjadi sebahagian daripada ekosistem digital sekolah di pelbagai negara, termasuk Malaysia. Guru kini berpeluang mengakses papan pemuka data yang dahulunya hanya tersedia kepada penganalisis data profesional.^[1]

Namun, ketersediaan teknologi sahaja tidak mencukupi. Guru perlu memahami apa yang boleh dilakukan oleh sistem AI ini, bagaimana mentafsir output yang dihasilkan, dan yang paling penting, bagaimana menggunakan maklumat tersebut untuk membuat keputusan pedagogi yang bermakna. Artikel ini ditulis khusus untuk guru Malaysia yang ingin memahami dan mula menggunakan AI sebagai alat sokongan dalam proses mengenal pasti murid yang memerlukan bantuan serta merancang intervensi awal yang berkesan.

Perbincangan dalam artikel ini merangkumi kapabiliti semasa sistem AI untuk analisis data murid, aplikasi praktikal dalam bilik darjah, konteks penggunaan di Malaysia, serta cabaran dan isu etika yang perlu dipertimbangkan dengan serius oleh setiap pendidik.

Latar Belakang

Usaha menggunakan data untuk memahami prestasi murid bukanlah perkara baharu. Guru telah lama menggunakan rekod markah, kadar kehadiran, dan pemerhatian bilik darjah untuk menilai kemajuan pelajar. Apa yang berubah ialah skala, kelajuan, dan kedalaman analisis yang kini boleh dilakukan berkat kemajuan dalam bidang pembelajaran mesin dan analitik data.

Pada awal tahun 2010-an, konsep "learning analytics" mula mendapat perhatian serius dalam komuniti penyelidikan pendidikan. Sistem amaran awal atau "Early Warning System" (EWS) generasi pertama pada ketika itu bergantung kepada peraturan mudah, misalnya, jika kehadiran murid jatuh di bawah 80 peratus, sistem akan menghantar notifikasi kepada guru. Pendekatan ini berguna tetapi terhad kerana ia tidak mampu menangkap corak yang lebih kompleks dan halus dalam data murid.

Memasuki pertengahan tahun 2010-an hingga awal 2020-an, algoritma pembelajaran mesin seperti Random Forest dan model rangkaian neural mula digunakan secara meluas dalam penyelidikan analitik pembelajaran. Kajian demi kajian menunjukkan bahawa model-model ini mampu meramal risiko kegagalan akademik dengan ketepatan yang jauh lebih tinggi berbanding kaedah statistik tradisional. Pada masa yang sama, platform komersial mula mengintegrasikan keupayaan ini ke dalam produk yang boleh digunakan oleh institusi pendidikan tanpa memerlukan kepakaran sains data dalaman.^[16]

Pada 2026, ekosistem ini telah matang kepada tahap di mana gabungan analitik pembelajaran, sistem amaran awal berasaskan AI, dan platform komersial kini berintegrasi rapat dengan sistem pengurusan pembelajaran dan sistem maklumat pelajar di sekolah serta universiti.^[20] Evolusi ini membawa implikasi langsung kepada cara guru boleh menggunakan data untuk menyokong murid mereka.

Kapabiliti Terkini (Ogos 2026)

Integrasi dengan Ekosistem Digital Pendidikan

Salah satu perkembangan paling signifikan ialah integrasi mendalam antara alat AI dengan platform yang sudah digunakan oleh guru sehari-hari. Microsoft Education Insights dalam Teams for Education, sebagai contoh, menyediakan papan pemuka masa nyata yang menggabungkan data daripada pelbagai sumber, iaitu data tugasan, kehadiran mesyuarat, aktiviti posting dalam saluran, aktiviti OneNote, serta alat seperti Reading Progress dan Reflect. Gabungan data ini memberikan gambaran holistik tentang prestasi, penglibatan, dan kesejahteraan murid dalam satu antara muka yang boleh diakses terus oleh guru.^[31]

Lebih penting lagi, sistem ini turut menyokong integrasi dengan Student Information System (SIS) untuk memadankan aktiviti digital murid dengan profil mereka, termasuk gred, kelas, dan kumpulan intervensi. Ini memudahkan guru menapis dan mengenal pasti murid yang mungkin memerlukan sokongan tambahan berdasarkan corak aktiviti mereka dalam persekitaran digital.^[40]

Model dan Algoritma di Sebalik Analitik

Guru tidak perlu memahami matematik di sebalik algoritma ini secara mendalam, tetapi mengetahui asasnya membantu dalam mentafsir output sistem dengan lebih kritikal. Kajian terkini menunjukkan penggunaan meluas model ensembel seperti XGBoost, Random Forest, dan Gradient Boosting, serta model rangkaian neural dan LSTM untuk meramal keputusan akademik dan indikator penglibatan murid.^[1]

Satu kajian tentang sistem pengurusan pelajar berasaskan AI melaporkan bahawa model hibrid yang menggabungkan Decision Tree, Random Forest, SVM, dan Neural Network mencapai ketepatan sehingga 98.8 peratus dalam meramal prestasi dan risiko murid. Ini menunjukkan kelebihan pendekatan ensembel, iaitu menggabungkan beberapa model, berbanding bergantung kepada satu model tunggal sahaja.^[32]

Dalam konteks pendidikan tinggi, sistem EWS berasaskan AI menggunakan XGBoost yang digabungkan dengan teknik "explainable AI" seperti SHAP telah menunjukkan keputusan yang memberangsangkan. Sistem ini bukan sahaja menjana skor risiko, tetapi juga menerangkan faktor-faktor yang menyumbang kepada skor tersebut, misalnya kehadiran yang rendah atau prestasi kuiz yang menurun. Sistem ini mencapai nilai AUC sekitar 0.87 dan mampu mengeluarkan bendera risiko purata 5.2 minggu sebelum penghujung semester, memberikan masa yang mencukupi untuk intervensi dilakukan.^[19]

Fungsi Amaran dan Sokongan Intervensi

Nilai sebenar sistem AI dalam konteks ini bukan hanya pada keupayaan ramalannya, tetapi pada bagaimana ia menyampaikan maklumat kepada guru dalam bentuk yang boleh ditindaklanjuti. Sistem moden tidak sekadar memberitahu guru bahawa "murid X berisiko tinggi", tetapi turut memberikan penjelasan tentang faktor-faktor yang menyumbang kepada penilaian tersebut. Ini membolehkan guru merancang intervensi yang lebih bersasar dan relevan dengan keperluan spesifik setiap murid.^[21]

Aplikasi dalam Pendidikan

Mengenal Pasti Murid Berisiko Lebih Awal

Aplikasi paling langsung dan paling bernilai bagi guru ialah keupayaan sistem AI untuk mengenal pasti murid yang berisiko jauh lebih awal daripada yang mungkin dilakukan melalui pemerhatian manual semata-mata. AI kini digunakan secara meluas untuk analisis data murid bagi meramal prestasi, mengenal pasti murid berisiko, dan menyokong intervensi awal yang lebih tepat serta bersasar.^[1]

Dalam amalan, ini bermakna sistem boleh menggabungkan pelbagai isyarat yang kelihatan kecil secara individu tetapi signifikan apabila dilihat bersama. Seorang murid yang mula kurang aktif dalam perbincangan kelas dalam talian, menghantar tugasan pada saat-saat akhir, dan mendapat markah yang sedikit menurun dalam kuiz mingguan mungkin tidak akan menarik perhatian guru yang menguruskan 30 murid serentak. Namun, sistem AI yang memproses semua data ini secara serentak boleh mengenal pasti corak tersebut dan memberi amaran kepada guru sebelum situasi menjadi kritikal.

Sokongan kepada Pengajaran Berdiferensiasi

Analisis data murid yang lebih terperinci turut menyokong amalan pengajaran berdiferensiasi. Apabila guru dapat melihat dengan jelas kumpulan murid yang menguasai sesuatu konsep dengan baik, kumpulan yang memerlukan pengukuhan, dan kumpulan yang memerlukan pendekatan berbeza, perancangan pengajaran boleh dibuat dengan lebih tepat. Data daripada alat seperti Reading Progress dalam ekosistem Microsoft Education Insights, sebagai contoh, memberikan maklumat terperinci tentang kemahiran membaca setiap murid, membolehkan guru menumpukan intervensi literasi kepada murid yang paling memerlukannya.^[35]

Pemantauan Kesejahteraan Murid

Selain prestasi akademik, sistem AI terkini turut merangkumi dimensi kesejahteraan murid. Alat seperti Reflect dalam ekosistem Teams for Education membolehkan guru mendapat gambaran tentang keadaan emosi dan penglibatan murid, bukan hanya prestasi kognitif mereka.^[42] Ini penting kerana faktor kesejahteraan sering kali menjadi penyebab utama kepada kemerosotan prestasi akademik yang tidak dapat dijelaskan semata-mata oleh data markah.

Konteks Malaysia: Kajian Kes dan Praktikal

Realiti Penggunaan di Sekolah Malaysia

Guru di Malaysia beroperasi dalam konteks yang unik. Sekolah kebangsaan, sekolah agama, sekolah jenis kebangsaan, dan sekolah swasta masing-masing mempunyai tahap akses kepada teknologi yang berbeza. Walau bagaimanapun, perkembangan infrastruktur digital dalam sistem pendidikan Malaysia, termasuk penggunaan platform seperti Google Workspace for Education dan Microsoft Teams dalam pelbagai sekolah, bermakna asas untuk menggunakan alat analitik berasaskan AI sudah wujud di banyak institusi.

Bagi sekolah yang sudah menggunakan Microsoft Teams for Education, guru boleh mula meneroka Education Insights tanpa memerlukan langganan tambahan. Papan pemuka yang tersedia membolehkan guru melihat corak penglibatan murid, kadar penyiapan tugasan, dan aktiviti pembelajaran dalam satu pandangan bersepadu.^[31] Langkah pertama yang praktikal ialah guru menetapkan masa khusus setiap minggu, mungkin 20 hingga 30 minit, untuk menyemak data dalam papan pemuka ini dan mengenal pasti murid yang menunjukkan corak penglibatan yang menurun.

Pendekatan Berperingkat untuk Guru Malaysia

Bagi guru yang baru bermula, pendekatan berperingkat adalah lebih berkesan daripada cuba melaksanakan semua fungsi sekaligus. Peringkat pertama ialah membiasakan diri dengan data yang sudah tersedia dalam platform yang digunakan, sama ada melalui Google Classroom, Microsoft Teams, atau sistem pengurusan pembelajaran sekolah. Peringkat kedua ialah menetapkan penanda aras atau "threshold" yang bermakna untuk konteks murid di sekolah berkenaan, kerana penanda aras yang sesuai untuk sekolah bandar mungkin berbeza daripada sekolah luar bandar.

Peringkat ketiga, yang lebih maju, ialah mengintegrasikan data daripada pelbagai sumber, termasuk data daripada SIS sekolah, untuk mendapatkan gambaran yang lebih lengkap tentang setiap murid.^[40] Pada peringkat ini, kerjasama antara guru, pentadbir sekolah, dan pasukan sokongan teknologi maklumat sekolah menjadi sangat penting.

Intervensi Awal yang Bermakna

Data dan amaran daripada sistem AI hanya bernilai apabila ia membawa kepada tindakan yang bermakna. Dalam konteks Malaysia, intervensi awal boleh mengambil pelbagai bentuk, daripada perbualan satu-satu antara guru dengan murid, pemberitahuan kepada ibu bapa atau penjaga, rujukan kepada kaunselor sekolah, hingga kepada penyusunan semula kumpulan pembelajaran. Yang penting ialah intervensi tersebut dilakukan berdasarkan pemahaman yang tepat tentang faktor-faktor yang menyumbang kepada risiko murid berkenaan, bukan hanya berdasarkan skor risiko semata-mata.^[19]

Cabaran, Batasan, dan Isu Etika

Privasi Data Murid

Penggunaan AI untuk menganalisis data murid membawa cabaran privasi yang serius dan perlu ditangani dengan teliti. Data murid, terutama data yang melibatkan kanak-kanak dan remaja, adalah sensitif dan tertakluk kepada perlindungan undang-undang. Di Malaysia, Akta Perlindungan Data Peribadi 2010 memberikan rangka kerja asas, tetapi guru dan pentadbir sekolah perlu memahami dengan jelas data apa yang dikumpulkan, bagaimana ia disimpan, siapa yang boleh mengaksesnya, dan berapa lama ia disimpan.

Persoalan persetujuan juga penting. Ibu bapa dan penjaga perlu dimaklumkan tentang penggunaan sistem analitik berasaskan AI dalam sekolah, dan dalam sesetengah kes, persetujuan eksplisit mungkin diperlukan. Ketelusan dalam hal ini bukan sahaja tanggungjawab etika, tetapi juga membina kepercayaan komuniti sekolah terhadap penggunaan teknologi.

Risiko Bias dan Ketidakadilan Algoritma

Model AI hanya sebaik data yang digunakan untuk melatihnya. Jika data latihan mengandungi bias sejarah, misalnya jika murid daripada latar belakang sosioekonomi tertentu secara historis kurang mendapat sokongan dan seterusnya menunjukkan prestasi yang lebih rendah, model AI mungkin akan mengekalkan dan malah memperkukuhkan bias tersebut. Guru perlu bersikap kritikal terhadap output sistem AI dan tidak menganggap ramalan algoritma sebagai kebenaran mutlak.

Walaupun model ensembel canggih boleh mencapai ketepatan yang tinggi dalam konteks penyelidikan, ketepatan tersebut tidak semestinya boleh direplikasi secara langsung dalam konteks sekolah Malaysia yang mempunyai ciri-ciri uniknya sendiri.^[32] Guru perlu sentiasa menggabungkan maklumat daripada sistem AI dengan pengetahuan kontekstual mereka tentang murid sebagai individu.

Kebergantungan Berlebihan kepada Teknologi

Terdapat risiko bahawa guru mungkin mula terlalu bergantung kepada sistem AI dan mengabaikan pemerhatian langsung serta pertimbangan profesional mereka sendiri. Sistem AI adalah alat sokongan, bukan pengganti kepada kepakaran pedagogi guru. Seorang guru yang mengenali muridnya dengan baik mungkin mengetahui bahawa penurunan prestasi seorang murid berpunca daripada masalah keluarga yang tidak akan kelihatan dalam mana-mana data digital. Pertimbangan manusiawi ini tidak boleh digantikan oleh algoritma.

Jurang Akses dan Kesediaan Digital

Tidak semua sekolah di Malaysia mempunyai infrastruktur digital yang setara. Sekolah di kawasan luar bandar dan pedalaman mungkin menghadapi cabaran capaian internet yang stabil, peralatan yang mencukupi, dan kepakaran teknikal untuk melaksanakan sistem analitik. Ini menimbulkan risiko bahawa faedah teknologi AI hanya dinikmati oleh sekolah yang sudah berada dalam kedudukan yang lebih baik, seterusnya memperlebar jurang antara sekolah bandar dan luar bandar.

Cadangan dan Amalan Terbaik

Mulakan dengan Data yang Sudah Ada

Guru tidak perlu melabur dalam sistem baru yang mahal untuk mula menggunakan analitik data. Langkah pertama ialah meneroka sepenuhnya keupayaan analitik dalam platform yang sudah digunakan. Jika sekolah menggunakan Microsoft Teams for Education, guru boleh mula dengan Education Insights. Jika menggunakan Google Workspace, Google Classroom menyediakan data asas tentang penyiapan tugasan dan penglibatan murid. Memahami data yang sudah tersedia adalah titik permulaan yang paling praktikal.

Tetapkan Protokol Tindakan yang Jelas

Data dan amaran daripada sistem AI perlu disertai dengan protokol tindakan yang jelas. Apabila sistem mengenal pasti seorang murid sebagai berisiko, apakah langkah seterusnya? Siapa yang bertanggungjawab untuk menghubungi murid atau ibu bapa? Dalam tempoh berapa hari tindakan perlu diambil? Tanpa protokol yang jelas, amaran sistem AI akan kekal sebagai notifikasi yang tidak ditindaklanjuti. Sekolah perlu membangunkan prosedur operasi standard untuk respons kepada amaran sistem analitik.

Gabungkan Data dengan Konteks Manusiawi

Amalan terbaik yang paling kritikal ialah sentiasa menggabungkan output sistem AI dengan pengetahuan kontekstual guru tentang murid. Skor risiko yang tinggi daripada sistem perlu ditafsirkan dalam konteks keseluruhan situasi murid berkenaan. Sistem AI yang menggunakan teknik "explainable AI" seperti SHAP membantu dalam hal ini kerana ia menerangkan faktor-faktor yang menyumbang kepada skor risiko, membolehkan guru menilai sama ada penjelasan tersebut masuk akal dalam konteks murid berkenaan.^[21]

Utamakan Latihan dan Pembangunan Profesional

Penggunaan sistem analitik berasaskan AI yang berkesan memerlukan guru yang celik data. Ini bukan bermaksud guru perlu menjadi pakar sains data, tetapi mereka perlu memahami asas-asas tafsiran data, mengenali potensi bias, dan tahu cara menggunakan papan pemuka analitik dengan betul. Sekolah dan Jabatan Pendidikan Negeri perlu menyediakan latihan yang bersesuaian, dan guru perlu proaktif dalam mencari peluang pembangunan profesional dalam bidang ini.

Pastikan Pematuhan Privasi dan Etika

Sebelum melaksanakan mana-mana sistem analitik, sekolah perlu memastikan bahawa penggunaan data mematuhi perundangan yang berkaitan dan dasar Kementerian Pendidikan Malaysia. Ini termasuk memastikan data disimpan dengan selamat, akses kepada data dihadkan kepada pihak yang berkepentingan sahaja, dan murid serta ibu bapa dimaklumkan tentang penggunaan data mereka. Ketelusan dan akauntabiliti perlu menjadi prinsip panduan dalam setiap keputusan berkaitan penggunaan data murid.

Kesimpulan

Penggunaan AI untuk menganalisis data murid mewakili peluang yang signifikan untuk meningkatkan keberkesanan intervensi awal dalam sistem pendidikan. Kemampuan sistem terkini untuk memproses pelbagai sumber data secara serentak, mengenal pasti corak yang tidak kelihatan kepada mata kasar, dan memberikan amaran yang boleh ditindaklanjuti jauh lebih awal daripada kaedah tradisional adalah benar-benar bermakna bagi guru yang menguruskan bilangan murid yang ramai.^[19]

Pada masa yang sama, teknologi ini bukan penyelesaian ajaib. Ia membawa cabaran privasi, risiko bias algoritma, dan potensi kebergantungan berlebihan yang perlu diuruskan dengan bijaksana. Guru Malaysia yang ingin menggunakan AI untuk analisis data murid perlu mendekatinya dengan sikap yang kritikal dan berpengetahuan, bukan sekadar menerima output sistem sebagai kebenaran yang tidak boleh dipersoalkan.

Yang paling penting, teknologi ini hanya bermakna apabila ia digunakan untuk memperkukuhkan, bukan menggantikan, hubungan manusiawi antara guru dengan murid. Data boleh menunjukkan kepada guru di mana perhatian mereka diperlukan, tetapi tindakan yang bermakna tetap memerlukan empati, pertimbangan profesional, dan komitmen guru terhadap kejayaan setiap murid di bawah jagaan mereka.

Bagi guru Malaysia yang ingin memulakan perjalanan ini, pesanan yang paling praktikal ialah: mulakan dengan apa yang ada, belajar secara berperingkat, dan sentiasa letakkan kepentingan murid sebagai panduan utama dalam setiap keputusan yang dibuat berdasarkan data.

Rujukan

1. AI-Based Student Data Analytics: Predicting Performance and Identifying At-Risk Learners. Journal of Educational Technology Research. 2025. https://example.com/ref1
2. Ensemble Machine Learning Models for Academic Outcome Prediction. Computers and Education: Artificial Intelligence. 2025. https://example.com/ref2
3. Early Warning Systems in Higher Education Using XGBoost and SHAP. International Journal of Learning Analytics. 2025. https://example.com/ref19
4. Explainable AI in Educational Early Warning Systems: SHAP-Based Risk Factor Analysis. Educational Data Mining Conference Proceedings. 2025. https://example.com/ref21
5. Learning Analytics Ecosystems: Integration of AI with LMS and SIS Platforms. British Journal of Educational Technology. 2025. https://example.com/ref16
6. Commercial Learning Analytics Platforms and Institutional Adoption. EdTech Research Review. 2026. https://example.com/ref20
7. Microsoft Education Insights: Real-Time Dashboard for Student Engagement and Wellbeing. Microsoft Education Documentation. 2026. https://example.com/ref31
8. Hybrid AI Model for Student Performance and Risk Prediction: Decision Tree, Random Forest, SVM and Neural Network Ensemble. Journal of Intelligent Learning Systems. 2025. https://example.com/ref32
9. Reading Progress and Learning Accelerators in Microsoft Teams for Education. Microsoft Learn Documentation. 2026. https://example.com/ref35
10. Student Information System Integration with AI Analytics Platforms. Journal of Educational Information Systems. 2025. https://example.com/ref40
11. Microsoft Reflect and Holistic Student Wellbeing Monitoring in Digital Learning Environments. Microsoft Education Blog. 2026. https://example.com/ref42

Artikel ini terkini sehingga August 2026. Maklumat tentang teknologi AI berubah dengan pantas. Pembaca digalakkan menyemak dokumentasi rasmi untuk kemas kini terbaru.