Integrasi Computational Thinking dalam Pembelajaran Matematika Sekolah Dasar: Studi Kuasi-Eksperimental tentang Transfer Pemecahan Masalah dan Fidelity Implementasi: Penelitian

Rusdial Marta; Fadhilaturrahmi; Molly Wahyuni

doi:10.31004/jerkin.v4i3.5461

Authors

Rusdial Marta Universitas Pahlawan
Fadhilaturrahmi Universitas Pahlawan
Molly Wahyuni Universitas Pahlawan

DOI:

https://doi.org/10.31004/jerkin.v4i3.5461

Keywords:

computational thinking; matematika sekolah dasar; transfer pemecahan masalah

Abstract

Penelitian ini menguji pengaruh integrasi Computational Thinking (CT) dalam pembelajaran matematika sekolah dasar terhadap kemampuan transfer pemecahan masalah, serta menelaah fidelity implementasi sebagai faktor moderator. Desain yang digunakan adalah kuasi-eksperimental tipe nonequivalent groups pretest–posttest dengan melibatkan 120 siswa kelas V dari empat kelas paralel pada dua sekolah dasar negeri, yaitu SDN 006 Langgini dan SDN 004 Langgini. Dua kelas ditetapkan sebagai kelompok intervensi yang mengikuti pembelajaran matematika terintegrasi CT selama delapan minggu, dengan penekanan pada dekomposisi masalah, pengenalan pola, abstraksi, penalaran algoritmik, dan debugging pada soal cerita multilangkah (misalnya pecahan dan perbandingan), sedangkan dua kelas lainnya menjadi kelompok pembanding yang mengikuti pembelajaran reguler. Kemampuan transfer pemecahan masalah diukur menggunakan rubrik analitik yang membedakan transfer dekat dan transfer jauh. Fidelity implementasi diukur melalui observasi kelas terstruktur yang mencakup kepatuhan terhadap rancangan, kualitas pelaksanaan, dan paparan waktu pembelajaran. Hasil ANCOVA (dengan mengontrol skor pretest) menunjukkan bahwa kelompok intervensi memperoleh skor posttest transfer yang lebih tinggi dibanding kelompok pembanding, F(1,117)=29,84, p<0,001, dengan ukuran efek bermakna (ηp²=0,203; Hedges’ g=0,89). Analisis multilevel mengonfirmasi ketahanan temuan dengan mempertimbangkan pengelompokan data pada level kelas (ICC=0,11) dan menunjukkan efek kelompok yang signifikan (β=7,42, SE=1,36, p<0,001). Uji moderasi menunjukkan interaksi signifikan antara kelompok dan fidelity, F(1,114)=6,92, p=0,010, yang mengindikasikan bahwa peningkatan transfer lebih kuat pada kelas dengan fidelity tinggi. Analisis komponen menunjukkan efek lebih besar pada transfer jauh (ηp²=0,213) dibanding transfer dekat (ηp²=0,136). Temuan ini menegaskan bahwa integrasi CT berpotensi meningkatkan transfer pemecahan masalah matematika secara substansial pada siswa SD, terutama bila kualitas implementasi terjaga

References

Barnett, S. M., & Ceci, S. J. (2002). When and where do we apply what we learn? A taxonomy for far transfer. Psychological Bulletin, 128(4), 612–637.

Brennan, K., & Resnick, M. (2012). New frameworks for studying and assessing the development of computational thinking. MIT Media Lab.

Campbell, D. T., & Stanley, J. C. (1963). Experimental and quasi-experimental designs for research. Houghton Mifflin.

Carroll, C., et al. (2007). A conceptual framework for implementation fidelity. Implementation Science, 2(40).

Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum.

Creswell, J. W., & Creswell, J. D. (2018). Research design: Qualitative, quantitative, and mixed methods approaches (5th ed.). SAGE.

Durlak, J. A., & DuPre, E. P. (2008). Implementation matters: A review of research on the influence of implementation on program outcomes. American Journal of Community Psychology, 41, 327–350.

Dusenbury, L., Brannigan, R., Falco, M., & Hansen, W. B. (2003). A review of research on fidelity of implementation. Health Education Research, 18(2), 237–256.

Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5th ed.). SAGE.

Fraenkel, J. R., Wallen, N. E., & Hyun, H. H. (2019). How to design and evaluate research in education (10th ed.). McGraw-Hill.

Hiebert, J., et al. (1997). Making sense: Teaching and learning mathematics with understanding. Heinemann.

Hox, J. J., Moerbeek, M., & van de Schoot, R. (2018). Multilevel analysis: Techniques and applications (3rd ed.). Routledge.

Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science. Frontiers in Psychology, 4, 863.

Perkins, D. N., & Salomon, G. (1992). Transfer of learning. International Encyclopedia of Education (2nd ed.). Pergamon.

Polya, G. (1957). How to solve it (2nd ed.). Princeton University Press.

Raudenbush, S. W., & Bryk, A. S. (2002). Hierarchical linear models: Applications and data analysis methods (2nd ed.). SAGE.

Schoenfeld, A. H. (2013). Reflections on problem solving theory and practice. The Mathematics Enthusiast, 10(1–2), 9–34.

Shadish, W. R., Cook, T. D., & Campbell, D. T. (2002). Experimental and quasi-experimental designs for generalized causal inference. Houghton Mifflin.

Shute, V. J., et al. (2017). Demystifying computational thinking. Educational Psychology Review, 29, 1–28.

Weintrop, D., Beheshti, E., Horn, M., Orton, K., Jona, K., Trouille, L., & Wilensky, U. (2016). Defining computational thinking for mathematics and science classrooms. Journal of Science Education and Technology, 25, 127–147.

Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33–35.