Cara Analytics Alphazed Melacak Hasil Belajar Anak
Baca 4 mntMohammad Shaker

Cara Analytics Alphazed Melacak Hasil Belajar Anak

Alphazed melacak hasil belajar anak seperti peningkatan pengucapan dan penguasaan konsep, bukan hanya klik dan waktu layar.

Engineering

Jawaban Singkat

Alphazed melacak hasil belajar anak seperti peningkatan pengucapan dan penguasaan konsep, bukan hanya klik dan waktu layar.

Cara Analytics Alphazed Melacak Hasil Belajar Anak (Bukan Sekedar Klik)

Tidak seperti sebagian besar aplikasi EdTech yang hanya melacak klik dan waktu layar, analytics lake Alphazed melacak hasil belajar nyata: peningkatan ketepatan pengucapan dari waktu ke waktu, transisi penguasaan konsep (pemula → menengah → mahir), efektivitas pengulangan bertahap (apakah sesi review mengurangi lupa?), dan kemajuan level dalam Taksonomi Bloom. Data ini membantu perbaikan kurikulum sekaligus membuktikan kepada orang tua bahwa anak mereka benar-benar belajar, bukan hanya bermain.

Arsitektur Analytics Tiga Tingkat

Tingkat 1: Mobile Events (Data real-time dari aplikasi)
Saat anak menyelesaikan latihan, aplikasi mengirim event:

{
  "event_type": "attempt_complete",
  "concept_id": "letter_ba",
  "exercise_type": "select",
  "accuracy_score": 0.89,
  "attempt_number": 3,
  "session_id": "session_abc123",
  "timestamp": "2026-03-28T14:35:22Z",
  "is_correct": true,
  "response_time_ms": 2400
}

Tingkat 2: Backend Enrichment (Penambahan konteks di server)
Backend menambahkan properti pengguna:

{
  "...event...",
  "user_id": "user_456",
  "age_group": "5-7",
  "persona": "intermediate",
  "days_since_signup": 34,
  "total_practice_minutes": 487,
  "app_name": "amal",
  "device_type": "Android",
  "country": "US"
}

Tingkat 3: Analytics Lake (Asinkron, dapat ditanya menggunakan SQL)

Backend sends enriched event → SQS queue (fire-and-forget)
    ↓ (tidak menunggu analytics)
    ↓ (pengalaman pengguna tidak terganggu)
Kinesis Firehose (mengumpulkan event setiap 5 menit atau 100MB)
    ↓
S3 (terpartisi: s3://alphazed-analytics/amal/2026/03/28/events.parquet)
    ↓
AWS Glue (crawl S3 setiap 1 jam, infers skema)
    ↓
Athena (Mesin Presto SQL untuk query)
    ↓
Dashboard (dashboard real-time untuk orang tua + analytics internal)

Metode Pengukuran Hasil Belajar yang Kami Lacak

Jenis Event 1: Attempt Complete
Dipicu saat anak menyelesaikan latihan.

SELECT
  user_id,
  concept_id,
  ROUND(AVG(accuracy_score), 2) as avg_accuracy,
  COUNT(*) as total_attempts,
  SUM(CASE WHEN is_correct THEN 1 ELSE 0 END) as correct_count,
  DATE(FROM_UNIXTIME(timestamp / 1000)) as date
FROM analytics_lake.attempt_complete
WHERE app_name = 'amal'
  AND concept_id = 'letter_ba'
GROUP BY user_id, concept_id, date
ORDER BY date DESC

Hasil: "Huruf ب: user_456 meningkat dari 72% ketepatan (minggu 1) menjadi 94% (minggu 3)"

Jenis Event 2: Concept Mastery Transition
Dipicu saat tingkat penguasaan konsep berubah (pemula → menengah).

{
  "event_type": "mastery_transition",
  "concept_id": "word_kitab",
  "from_level": "beginner",
  "to_level": "intermediate",
  "hlr_half_life_before": 4.0,
  "hlr_half_life_after": 8.0,
  "timestamp": "2026-03-20T10:15:00Z"
}

Pelacakan transisi penguasaan mengungkap efektivitas kurikulum:
- Berapa banyak anak mencapai tingkat menengah per konsep?
- Rata-rata waktu untuk mencapai tingkat menengah?
- Konsep mana yang menjadi hambatan?

Jenis Event 3: HLR Half-Life Growth
Saat pengulangan bertahap, kami melacak kekuatan memori:

SELECT
  user_id,
  concept_id,
  DATE(FROM_UNIXTIME(timestamp / 1000)) as date,
  MAX(hlr_half_life_hours) as max_half_life,
  COUNT(DISTINCT CASE WHEN is_correct THEN 1 END) as correct_reviews,
  COUNT(DISTINCT CASE WHEN NOT is_correct THEN 1 END) as incorrect_reviews
FROM analytics_lake.hlr_update
GROUP BY user_id, concept_id, date

Hasil: "Juz Amma Al-Ikhlas: user_789 mencapai half-life 256 jam (stabilitas 2 minggu) setelah 7 pengulangan benar"

Jenis Event 4: Tren Ketepatan Pengucapan
Peningkatan pengucapan dari waktu ke waktu:

SELECT
  user_id,
  DATE_TRUNC('week', FROM_UNIXTIME(timestamp / 1000)) as week,
  AVG(similarity_score) as avg_pronunciation_accuracy,
  APPROX_PERCENTILE(similarity_score, 0.5) as median_accuracy
FROM analytics_lake.speech_recognition_result
WHERE concept_type = 'letter'
GROUP BY user_id, week
ORDER BY week DESC

Hasil: "Ketepatan pengucapan pengguna meningkat 18% selama 8 minggu latihan konsisten"

Jenis Event 5: Kemajuan Taksonomi Bloom
Melacak kemajuan level kognitif:

{
  "event_type": "blooms_level_completion",
  "concept_id": "word_kitab",
  "blooms_level_achieved": 4,
  "user_age_group": "5-7",
  "time_to_level_days": 14,
  "attempt_count": 47,
  "timestamp": "2026-03-25T16:45:00Z"
}

Pelacakan: Berapa banyak anak capai Level 4 Bloom (Analisis)? Rata-rata berapa lama?

Bagaimana Ini Mengarahkan Pengambilan Keputusan Produk

Keputusan 1: Mendesain Ulang Konten
- Query: "Konten manakah yang memiliki >40% kesalahan?"
- Hasil: "Latihan membangun kata untuk klaster konsonan memiliki tingkat kesalahan 52%"
- Tindakan: Tim konten mendesain ulang latihan (penambahan panduan, kemajuan lebih lambat)
- Validasi: Query ulang 2 minggu kemudian, tingkat kesalahan diharapkan turun <25%

Keputusan 2: Sesuaikan Campuran Latihan
- Query: "Jenis latihan mana yang punya tingkat keterlibatan dan hasil belajar tertinggi?"
- Hasil: "Game fisika punya 30% keterlibatan lebih tinggi dan 15% peningkatan ketepatan"
- Tindakan: Tambah frekuensi game fisika dalam pelajaran adaptif

Keputusan 3: Identifikasi Konsep Sulit
- Query: "Konsep mana yang >30% pengguna tidak pernah mencapai level menengah?"
- Hasil: "Huruf tebal (ص, ض, ط, ظ) konsisten sulit"
- Tindakan: Buat konten pendukung (latihan pengucapan lebih banyak, progresi lebih lambat)

Perbandingan dengan Kompetitor

MetodeDuolingoAmal/Thurayya
Melacak klik✓ XP, streak✓ (tapi sekunder)
Melacak ketepatan✓ Per konsep
Melacak peluruhan memori✓ HLR half-life
Melacak hasil belajar✓ Transisi penguasaan
Melacak pengucapan✓ Tren ketepatan bicara
Keputusan produk berbasis dataFokus keterlibatanFokus pembelajaran

FAQ

T: Apakah data anak saya ada di analytics lake?
J: Ya, dalam bentuk anonim. Kami hanya melacak metrik pembelajaran yang tidak dapat mengidentifikasi pribadi. Anda dapat melihat metrik anak melalui dashboard orang tua; peneliti tidak dapat melihat nama anak individu.

T: Berapa lama data disimpan?
J: Data live (12 bulan terakhir) dapat di-query lewat Athena. Data historis diarsipkan di S3 selama 7 tahun (memenuhi aturan). Retensi dapat dikonfigurasi per jenis data.

T: Bisakah saya ekspor analytics pembelajaran anak saya?
J: Bisa. Dashboard memiliki tombol "Export Report" yang menghasilkan PDF dengan hasil belajar personal selama 3 bulan terakhir.

Artikel Terkait