AI-Based Adaptive Assessment System Using Q-Learning For Programming Learning Based On Outcome-Based Education

Abstrak

Evaluasi pembelajaran pemrograman sering menggunakan instrumen yang sama untuk seluruh mahasiswa sehingga informasi yang diperoleh belum selalu cukup granular untuk menggambarkan penguasaan kompetensi individual. Penelitian ini mengembangkan rancangan AI-Based Adaptive Assessment System Using Q-Learning yang mengintegrasikan Outcome-Based Education (OBE), Large Language Model (LLM), Student Model, dan reinforcement learning. Struktur CPL–CPMK–Sub-CPMK–indikator–rubrik digunakan sebagai mekanisme traceability, sedangkan LLM menghasilkan dan mengevaluasi soal secara terkontrol. Student Model merepresentasikan tingkat penguasaan dan confidence pada setiap kompetensi. Q-Learning ditempatkan sebagai pengambil keputusan adaptif untuk memilih target kompetensi, tingkat kesulitan, dan tipe soal berdasarkan state mahasiswa; algoritma ini tidak digunakan sebagai pengganti pengukuran kompetensi. Metodologi menggunakan Research and Development melalui analisis kebutuhan, perancangan arsitektur, pengembangan prototipe, validasi instrumen, dan rancangan eksperimen dengan pembanding non-adaptif. Hasil rancangan menunjukkan alur tertutup dari respons mahasiswa menuju evaluasi AI, pembaruan Student Model, pemberian reward, dan pemilihan soal berikutnya. Artikel ini tidak mengklaim hasil kuantitatif sebelum eksperimen empiris dilakukan. Kontribusi penelitian adalah kerangka adaptasi yang menggabungkan traceability OBE, evaluasi berbasis rubrik dan test case, serta optimasi urutan asesmen berbasis Q-Learning