← KEMBALI KE TENTANG
Catatan proyek / Web-based learning system

Adaptive Gamification

Sistem kuis Bahasa Inggris adaptif yang memakai Q-Learning untuk menyesuaikan tantangan dan reward berdasarkan riwayat interaksi siswa.

Mulainya dari mana?

Awalnya ini adalah proyek tugas akhir dengan judul yang terdengar sangat keren sampai gua ajukan—lalu, secara ajaib, disetujui. Masalah kecilnya: ketika itu gua belum benar-benar tahu Q-Learning itu makhluk apa. Jadi ya, setelah judul diterima, satu-satunya jalan adalah mencari tahu sambil membangunnya.

Yang gua coba bangun
  • Siswa mendaftar dan mengerjakan kuis Bahasa Inggris yang disesuaikan dengan materi kelas 9.
  • Sistem membaca performa: streak yang baik mendorong eksplorasi ke soal lebih sulit; kesulitan berulang mengarahkan sistem ke soal yang lebih mudah.
  • XP dan level memberi progres; level awal kuis ikut mempertimbangkan level siswa.
  • Safety check membantu mencegah frustrasi, sedangkan anti-repetition mencegah soal yang sama muncul lagi.
  • Dibangun terutama dengan Python, Django, HTML, CSS, Bootstrap, dan JavaScript; pengujian akses dilakukan melalui ngrok.
Bukti dari sisi siswa

Ini bukan mockup. Screenshot ini diambil dari sistem lokal saat alur siswa diuji: dari halaman awal, dashboard, memilih soal, sampai menjalankan sesi kuis.

Dashboard siswa GamifyLearnBUKA UKURAN PENUH ↗
02Dashboard siswa: progres, level, streak, pertanyaan tersedia, dan aktivitas disatukan dalam satu tempat.
Halaman pilihan tingkat soalBUKA UKURAN PENUH ↗
03Sebelum kuis: siswa melihat levelnya dan tipe/tingkat soal yang tersedia.
Sesi kuis siswa dengan pilihan jawabanBUKA UKURAN PENUH ↗
04Saat kuis berlangsung: sistem menyajikan soal, tingkat kesulitan, timer, hint, dan kontrol sesi.
Detail sesi kuis siswaBUKA UKURAN PENUH ↗
05Detail sesi: level siswa dan level pertanyaan dicatat bersama statistik jawaban.
Bukti dari sisi admin

Panel admin dipakai untuk melihat kondisi sistem, aktivitas pengguna, dan jejak keputusan adaptif. Snapshot ini diambil setelah masa uji selesai, jadi sebagian besar metrik kuis memang masih kosong atau bernilai nol—yang ingin ditunjukkan di sini adalah ruang observasi yang disiapkan sistem, bukan klaim bahwa datanya besar.

Monitoring performa kuis dan aksi cepat adminBUKA UKURAN PENUH ↗
02Monitoring performa kuis, status layanan, data registrasi, serta opsi ekspor data dan log.
Log aktivitas dan analisis Q-LearningBUKA UKURAN PENUH ↗
03Log login serta bagian analisis Q-Learning untuk meninjau perilaku dan keputusan sistem.
Ringkasan analisis Q-LearningBUKA UKURAN PENUH ↗
04Analitik keterlibatan, tingkat keberhasilan, respons adaptasi, dan kinerja Q-Learning.
Grafik respons adaptasi dan Q-LearningBUKA UKURAN PENUH ↗
05Visualisasi perubahan performa, evolusi nilai Q, distribusi state, dan tingkat kesulitan yang dipilih.
Analisis reward Q-table dan validasiBUKA UKURAN PENUH ↗
06Panel distribusi reward, tampilan Q-table, serta ruang validasi ahli dan umpan balik pengguna.
Yang gua pelajari

Proyek ini mengajari gua bahwa memakai AI tidak menghapus kebutuhan untuk berpikir. AI bisa membantu menulis banyak hal, tetapi menentukan apa yang harus diuji, apa yang terasa salah, dan bagaimana sistem harus merespons pengguna tetap harus dipikirkan sendiri.

LIHAT REPOSITORY ↗