Pengembangan Modul Frontend pada Web-Based Personalized Learning System untuk Pembelajaran Computational Thinking

Abstract

Computational Thinking (CT) merupakan kompetensi yang penting dalam menghadapi perkembangan teknologi informasi, dan telah masuk ke dalam kurikulum nasional. Namun, keberagaman kemampuan kognitif dan gaya belajar mahasiswa sering kali menghambat penyampaian materi CT yang abstrak. Oleh karena itu, pendekatan Personalized Learning System (PLS) diperlukan untuk menyediakan materi adaptif secara personal. Saat ini, sistem digital yang khusus mendukung pembelajaran CT masih sangat terbatas, termasuk di IPB University. Penelitian ini bertujuan mengembangkan modul front-end pada web-based PLS untuk mata kuliah CT di IPB University menggunakan metode Scrum dengan tahapan yang terdiri dari product backlog, sprint planning, sprint, sprint review, dan sprint retrospective. Hasil penelitian ini menunjukkan bahwa modul front-end pada web-based Personalized Learning System (PLS) yang dikembangkan menggunakan ReactJS dan Tailwind CSS berhasil menyediakan antarmuka multidevice yang adaptif untuk pembelajaran CT dipersonalisasi setelah melalui pengujian black-box dan integration testing.

Computational Thinking (CT) is an important competency in information technology and has been integrated into the national curriculum. However, diverse student cognitive abilities and learning styles often hinder the delivery of abstract CT concepts. Therefore, a Personalized Learning System (PLS) approach is needed to provide adaptive, tailored materials. Currently, digital systems supporting CT learning remain limited, including at IPB University. This study aims to develop a front-end module for a web-based PLS for the CT course at IPB University using the Scrum method with stages consisting of product backlog, sprint planning, sprint, sprint review, and sprint retrospective. The results of this study indicate that the front-end module on the web-based Personalized Learning System (PLS) developed using ReactJS and Tailwind CSS successfully provides an adaptive multi-device interface for personalized CT learning after undergoing black-box testing and integration testing.