Optimalisasi Penggunaan Statistik dalam Evaluasi Pembelajaran Pendidikan Agama Islam: Pendekatan Kuantitatif dalam Meningkatkan Kualitas Penilaian
Bibliographic record
Abstract
Penelitian ini bertujuan untuk menganalisis peran statistik dalam meningkatkan kualitas evaluasi pembelajaran Pendidikan Agama Islam (PAI) di sekolah menengah atas. Pendekatan penelitian yang digunakan adalah metode campuran (mixed-method), mengombinasikan analisis kuantitatif dan kualitatif. Data kuantitatif diperoleh melalui angket dan tes, sedangkan data kualitatif diperoleh melalui wawancara dengan guru PAI. Subjek penelitian adalah 15 guru PAI yang mengajar di SMA negeri dan swasta di wilayah Kabupaten Nagan Raya, serta 30 peserta didik yang berasal dari sekolah-sekolah tersebut. Data dari tes dan angket dianalisis menggunakan perangkat lunak SPSS untuk menghitung statistik deskriptif (rata-rata, standar deviasi) dan inferensial (uji-t, regresi). Data wawancara dianalisis melalui coding untuk menemukan tema utama. Data dokumen hasil evaluasi dianalisis dengan pendekatan deskriptif, dan triangulasi data. Hasil penelitian menunjukkan bahwa penggunaan statistik, meskipun membantu dalam memberikan penilaian yang lebih objektif dan terukur, masih terbatas pada kemampuan guru dalam mengaplikasikan alat statistik yang ada. Sebagian besar guru memiliki kemampuan statistik yang berada pada kategori sedang, sehingga dibutuhkan pelatihan lebih lanjut untuk memaksimalkan potensi statistik dalam evaluasi pembelajaran. Simpulan dari penelitian ini adalah bahwa penggunaan statistik yang optimal dapat meningkatkan kualitas evaluasi pembelajaran PAI, terutama dalam menilai aspek kognitif, afektif, dan psikomotor peserta didik. Penelitian ini merekomendasikan penyelenggaraan pelatihan statistik untuk guru sebagai langkah untuk meningkatkan kompetensi dalam mengevaluasi hasil belajar secara lebih efektif.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.022 | 0.058 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".