Perancangan UX Artifacts pada Personalized Learning System Berbasis Profil Kognitif Melalui In-depth Interview

Abstract

Computational Thinking (CT) sering dianggap sulit dipahami mahasiswa, sedangkan Personalized Learning System (PLS) yang dikembangkan untuk membantu masih berfokus pada aspek teknis dan kurang memperhatikan pengalaman pengguna. Penelitian ini bertujuan mengidentifikasi kebutuhan, tantangan, dan strategi belajar mahasiswa CT berdasarkan klaster profil kognitif, serta merancang User Persona dan Empathy Map untuk mendukung pengembangan PLS yang lebih berpusat pada pengguna. Data dikumpulkan melalui wawancara mendalam terhadap sepuluh mahasiswa dan dianalisis dengan thematic analysis. Hasilnya mengungkap enam tema utama: kesenjangan antara materi dan soal evaluasi, kondisi emosi dan motivasi belajar, strategi belajar adaptif, kebutuhan umpan balik, preferensi pembelajaran, serta ketergantungan pada kecerdasan buatan dan sumber belajar informal. Temuan ini disusun menjadi tiga Empathy Map dan tiga User Persona yang menggambarkan karakteristik kognitif dan emosional mahasiswa, sebagai dasar kebutuhan pengguna untuk pengembangan PLS yang lebih human-centered ke depannya.

Computational Thinking (CT) is a skill many students find difficult, while the Personalized Learning System (PLS) built to support it still focuses mainly on technical aspects rather than user experience. This study identifies the needs, challenges, and learning strategies of CT students based on cognitive profile clusters, and designs a User Persona and Empathy Map to support a more user-centered PLS. Data were collected through in-depth interviews with ten students and analyzed using thematic analysis. Six main themes emerged: the gap between course material and evaluation questions, students' emotional and motivational state, adaptive learning strategies, feedback needs, learning preferences, and reliance on AI and informal learning resources. These findings were synthesized into three Empathy Maps and three User Personas describing students' cognitive and emotional characteristics, forming a foundation of user requirements for more human-centered PLS design going forward.