Pengembangan dan Validitas Instrumen Tes untuk Mengukur Ketercapaian Pembelajaran Mendalam Mata Kuliah Pendahuluan Fisika Inti
DOI:
https://doi.org/10.58466/sda4p316Kata Kunci:
Model ADDIE, Validitas Instrumen, Taksonomi SOLO, Keterampilan 6C, Pendahuluan Fisika IntiAbstrak
Mata kuliah Pendahuluan Fisika Inti yang sarat konsep abstrak dan matematis masih dievaluasi secara konvensional berbasis hafalan (surface learning). Padahal, pendekatan deep learning yang menekankan koneksi konseptual jauh lebih relevan untuk mengukur kompetensi mahasiswa dalam memahami fenomena nuklir secara utuh. Penelitian ini bertujuan untuk mengembangkan dan memvalidasi instrumen tes untuk mengukur ketercapaian pembelajaran mendalam pada mata kuliah Pendahuluan Fisika Inti yang berorientasi pada SDM energi nuklir unggul. Pengembangan dalam penelitian ini menggunakan model ADDIE (Analysis, Design, Development, Implementation, dan Evaluation). Indikator ketercapaian pembelajaran mendalam yang digunakan berdasarkan keterampilan 6C (Character, Citizenship, Collaboration, Communication, Critical Thinking dan Creativity). Instrumen mencakup tiga segmen utama yaitu tes esai kontekstual dengan rubrik penskoran berbasis taksonomi SOLO untuk dimensi berpikir kritis dan kreativitas, angket self-assessment dan peer-assessment untuk dimensi karakter dan kewarganegaraan, serta rubrik proyek untuk dimensi kolaborasi dan komunikasi. Data dikumpulkan melalui validasi ahli yang melibatkan tiga pakar dan dianalisis menggunakan indeks Aiken’s V. Hasil penelitian menunjukkan bahwa instrumen tes esai mencapai validitas sangat tinggi (rata-rata V = 0,894), instrumen angket mencapai validitas tinggi (rata-rata V = 0,872), dan rubrik proyek mencapai validitas tinggi (rata-rata V = 0,792). Seluruh indikator melampaui ambang batas minimum (V ≥ 0,60), yang mengonfirmasi bahwa instrumen terintegrasi 6C dan rubrik berbasis taksonomi SOLO ini valid dan layak digunakan. Instrumen ini dapat menjadi alat untuk mentransformasi asesmen konvensional menjadi evaluasi berbasis kompetensi yang selaras dengan tujuan strategis energi nasional.
Referensi
Asy’ari, M., Ikhsan, M., & Muhali, M. (2018). Validitas Instrumen Karakterisasi Kemampuan Metakognisi Mahasiswa Calon Guru Fisika. Prisma Sains : Jurnal Pengkajian Ilmu Dan Pembelajaran Matematika Dan IPA IKIP Mataram, 6(1), 18. https://doi.org/10.33394/j-ps.v6i1.955
Bashir, M. F., Arshad, H., Javed, A. R., Kryvinska, N., & Band, S. S. (2021). Subjective Answers Evaluation Using Machine Learning and Natural Language Processing. IEEE Access, 9, 158972–158983. https://doi.org/10.1109/ACCESS.2021.3130902
Bashooir, K., & Supahar, S. (2018). Validitas dan reliabilitas instrumen asesmen kinerja literasi sains pelajaran fisika berbasis STEM. Jurnal Penelitian Dan Evaluasi Pendidikan, 22(2), 219–230. https://doi.org/10.21831/pep.v22i2.19590
Biggs, J. B., & Collis, K. F. (1982). Evaluating the quality of learning: The SOLO taxonomy (Structure of the Observed Learning Outcome). Academic Press.
Branch, R. M. (2009). Instructional design: The ADDIE approach. Springer Science & Business Media.
BRIN. (2026). BRIN perkuat fondasi SDM dan regulasi, siapkan Indonesia menuju PLTN pertama 2032. brin.go.id.
Dick, W., Carey, L., & Carey, J. O. (2015). The systematic design of instruction (8th ed.). Pearson.
Dujardin, R. , V. den B. L. , & L. G. (2023). Assessing engineering students’ preparedness for lifelong learning and self-reflection competency. 356–365.
Fernandez, P. J. M., & Guzon, A. F. H. (2025). A SOLO Taxonomy-based rubric for assessing conceptual understanding in applied calculus. Journal on Mathematics Education, 16(2), 559–580. https://doi.org/10.22342/jme.v16i2.pp559-580
Fullan, M., Quinn, J., & McEachen, J. (2018). Deep learning: Engage the world change the world. Corwin.
Gabut, D. M. P., Rojo, M. E. M., Casas, W. C., Tondo, R. C., Mahilum, R. M., & Mutya, R. C. (2026). Comparing Surface and Deep Learning Strategies and Their Relationship to High School Students’ Academic Performance in Science. European Journal of Educational Research, 15(1), 199–210. https://doi.org/10.12973/eu-jer.15.1.199
Gunawansyah, Rahayu, R., Nurwathi, Sugiarto, B., & Gunawan. (2020). Automated Essay Scoring Using Natural Language Processing And Text Mining Method. 2020 14th International Conference on Telecommunication Systems, Services, and Applications (TSSA, 1–4. https://doi.org/10.1109/TSSA51342.2020.9310845
Isdayanti, A. A., Khusaini, K., & Taufiq, A. (2025). Implementation of Deep Learning to Improve Students’ Physics Learning Outcomes: A Systematic Literature Review. Berkala Ilmiah Pendidikan Fisika, 13(3), 402. https://doi.org/10.20527/bipf.v13i3.22757
Kemendikbudristek. (2022). Buku panduan implementasi kurikulum merdeka di perguruan tinggi. Direktorat Jenderal Pendidikan Tinggi.
Kementerian Riset, T. dan P. T. (2017). Rencana induk riset nasional (RIRN) 2017–2045. Kemenristekdikti.
Lilley, J. (2021). Nuclear physics: Principles and applications (2nd ed.). Wiley.
Lintangesukmanjaya, R. T., Mahendra, A., Anugrah, S., Prahani, B. K., Dwikoranto, D., Satriawan, M., & Rizki, I. A. (2025). A EFA Analysis of Digital Technology Teaching Materials in Improving Students’ Critical Thinking in Physics Learning. JPPS (Jurnal Penelitian Pendidikan Sains), 23–38. https://doi.org/10.26740/jpps.v14n1.p23-38
Mardian, V., & Chandra, D. T. (2023). Development of the PTEAM (Physics, Technology, Engineering, Art, Mathematics) Approach by applying the SOLO Taxonomy. Science and Education, 2, 735–739.
Molenda, M. (2015). In Search of the Elusive ADDIE Model. Performance Improvement, 54(2), 40–42. https://doi.org/10.1002/pfi.21461
Nafi’ah, J., & Faruq, D. J. (2025). Conceptualizing Deep Learning Approach in Primary Education: Integrating Mindful, Meaningful, and Joyful. Journal of Educational Research and Practice, 3(2), 225. https://doi.org/10.70376/jerp.v3i2.384
Papadimas, C., Ragazou, V., Karasavvidis, I., & Kollias, V. (2025). Predicting learning performance using NLP: an exploratory study using two semantic textual similarity methods. Knowledge and Information Systems, 67(5), 4567–4595. https://doi.org/10.1007/s10115-024-02293-2
Quinn, J., McEachen, J., Fullan, M., Gardner, M., & Drummy, M. (2020). Dive into deep learning: Tools for engagement. Corwin.
Retnawati, H. (2014). Validitas dan reliabilitas instrumen penelitian. UNY Press.
Smith, T. W., & Colby, S. A. (2007). Teaching for Deep Learning. The Clearing House: A Journal of Educational Strategies, Issues and Ideas, 80(5), 205–210. https://doi.org/10.3200/TCHS.80.5.205-210
Tajuddin, N. I. I., Abas, U.-H., Aziz, K. A., Nor, R. N. H., Izni, N. A. I., Sudin, M. N., Anim, N. A. H. M., & Noor, N. M. (2025). Content validity assessment using Aiken’s V: Knowledge integration model for blockchain in higher learning institutions. International Journal of Advanced Computer Science and Applications (IJACSA), 16 (6).
Wardi, L. Z., & Jauhariyah, M. N. R. (2025). Validity and reliability scientific literacy-based physics assessment instrument on atomic nucleus and radioactivity material. Momentum: Physics Education Journal, 9(1), 109–119. https://doi.org/10.21067/mpej.v9i1.10450
