Estimasi Rata-Rata Jam Belajar Mandiri Mahasiswa Teknik Informatika Menggunakan Confidence Interval 95%
Keywords:
Kebiasaan belajar, confidence interval, analisis pembelajaran, pendidikan informatika, prestasi akademikAbstract
Pola belajar mandiri yang efektif sangat penting untuk keberhasilan akademik dalam program studi Teknik Informatika, namun data empiris tentang kebiasaan belajar aktual masih terbatas. Penelitian ini bertujuan untuk mengestimasi rata-rata populasi jam belajar harian mahasiswa Teknik Informatika Universitas Pamulang menggunakan Confidence Interval 95%. Studi cross-sectional dilakukan pada 16-20 Desember 2025 terhadap 31 responden valid yang dipilih melalui convenience sampling. Data dikumpulkan melalui kuesioner online dan dianalisis dengan statistik deskriptif serta Confidence Interval 95% menggunakan distribusi-t dalam Python 3.9. Hasil penelitian menunjukkan rata-rata waktu belajar harian adalah 3,54 jam (SD = 1,91 jam) dengan Confidence Interval 95% berkisar dari 2,84 hingga 4,24 jam (margin of error ±0,70 jam). Data berdistribusi miring kanan (skewness = 0,68) dengan variabilitas lebar (range = 7 jam). Sebagian besar mahasiswa (74,2%) lebih memilih sesi belajar malam hari, dan laptop/komputer merupakan media belajar yang paling banyak digunakan (77,4%). Simpulan studi ini adalah estimasi rata-rata waktu belajar harian sebesar 3,54 jam berada di bawah rekomendasi nasional 4-6 jam, tetapi masih dalam rentang 3-5 jam yang disarankan oleh asosiasi profesi. Temuan ini memberikan data baseline empiris untuk pengembangan kurikulum dan program dukungan mahasiswa.
References
American Statistical Association. (2018). Ethical guidelines for statistical practice. ASA.
Biggs, J., & Tang, C. (2011). Teaching for quality learning at university (4th ed.). Open University Press.
Bland, J. M., & Altman, D. G. (1997). Statistics notes: Cronbach’s alpha. BMJ, 314(7080), 572.
Bransford, J. D., Brown, A. L., & Cocking, R. R. (Eds.). (2000). How people learn: Brain, mind, experience, and school. National Academy Press.
Cumming, G. (2012). Understanding the new statistics: Effect sizes, confidence intervals, and meta-analysis. Routledge.
Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). Sage.
Guzdial, M. (2008). Education: Paving the way for computational thinking. Communications of the ACM, 51(8), 25–27.
IEEE Computer Society. (2014). Software engineering body of knowledge (SWEBOK). IEEE Computer Society.
Kadiyala, M. B., & Crynes, B. L. (2000). A review of literature on effectiveness of use of information technology in education. Journal of Engineering Education, 89(2), 177–189.
Kementerian Pendidikan dan Kebudayaan. (2020). Peraturan Menteri Pendidikan dan Kebudayaan Nomor 3 Tahun 2020 tentang Standar Nasional Pendidikan Tinggi. Kemendikbud.
Lee, S. H., & Kim, J. K. (2022). Time management and academic achievement in college students: A meta-analysis. Educational Psychology Review, 34(2), 567–589.
Lepper, M. R., Henderlong Corpus, M. F., & Iyengar, S. S. (2005). Intrinsic and extrinsic motivational orientations in the classroom: Age differences and academic correlates. Journal of Educational Psychology, 97(2), 184–196.
Montgomery, D. C., Runger, G. C., & Hubele, N. F. (2021). Applied statistics and probability for engineers (7th ed.). Wiley.
Pascarella, E. T., & Terenzini, P. T. (2005). How college affects students: A third decade of research (Vol. 2). Jossey-Bass.
Pintrich, P. R. (2003). A motivational science perspective on the role of student motivation in learning and teaching contexts. Journal of Educational Psychology, 95(4), 667–686.
Rosyani, P. (2017). Pengenalan wajah menggunakan metode principal component analysis (PCA) dan Canberra distance. Jurnal Informatika Universitas Pamulang, 2(2), 118–121.
Rosyani, P., & Priambodo, J. (2019). Penilaian kinerja karyawan berprestasi dengan metode simple additive weighting. International Journal of Artificial Intelligence, 6(1), 82–111.
Rosyani, P., & Saprudin. (2020). Deteksi citra bunga menggunakan analisis segmentasi fuzzy C-means dan otsu threshold. MATRIK: Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, 20(1), 27–34.
Rosyani, P., Taufik, M., Waskita, A. A., & Apriyanti, D. H. (2018). Comparison of color model for flower recognition. In Proceedings of the 2018 3rd International Conference on Information Technology, Information Systems and Electrical Engineering (ICITISEE) (pp. 17–21).
Sedgwick, P. (2014). Understanding confidence intervals. BMJ, 349, g6051.
Siemens, G. (2013). Learning analytics: The emergence of a discipline. American Behavioral Scientist, 57(10), 1380–1400.
Sugiyono. (2019). Metode penelitian kuantitatif, kualitatif, dan R&D. Alfabeta.
Thompson, B. (2006). Foundations of behavioral statistics: An insight-based approach. Guilford Press.
Walpole, R. E., Myers, R. H., Myers, S. L., & Ye, K. (2017). Probability and statistics for engineers and scientists (9th ed.). Pearson.
Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133.
Zimmerman, J. (2002). Becoming a self-regulated learner: An overview. Theory into Practice, 41(2), 64–70.
