Integrasi Algoritma Fuzzy Logic dan Gamifikasi Adaptif dalam Transformasi Literasi Keuangan Anak di Era Ekonomi Digital

Ryan Dhika Priyatna; Trysanti Kisria Darsih; Harry Pratama Figna; Muhammad Riansyah

Authors

Ryan Dhika Priyatna Sekolah Tinggi Keguruan dan Ilmu Pendidikan Al Maksum
Trysanti Kisria Darsih Sekolah Tinggi Keguruan dan Ilmu Pendidikan Al Maksum
Harry Pratama Figna Sekolah Tinggi Keguruan dan Ilmu Pendidikan Al Maksum
Muhammad Riansyah Sekolah Tinggi Keguruan dan Ilmu Pendidikan Al Maksum

Keywords:

Fuzzy Logic, Gamifikasi Adaptif, Literasi Keuangan, Ekonomi Digital, Learning Path

Abstract

Di tengah pesatnya perkembangan ekonomi digital, literasi keuangan menjadi kompetensi esensial yang harus ditanamkan sejak dini. Namun, media edukasi saat ini mayoritas masih bersifat statis dan tidak mampu merespons perbedaan profil kognitif serta perilaku setiap anak secara personal. Penelitian ini bertujuan untuk mengembangkan sebuah model platform literasi keuangan yang mampu menyesuaikan tingkat kesulitan dan konten secara dinamis menggunakan pendekatan kecerdasan buatan. Penelitian ini mengintegrasikan algoritma Fuzzy Logic sebagai mesin pengambil keputusan untuk menciptakan sistem Gamifikasi Adaptif. Variabel input fuzzy terdiri dari skor pengetahuan kognitif dan data analitik perilaku seperti ketepatan alokasi tabungan virtual, yang kemudian diproses untuk menentukan output berupa jalur pembelajaran learning path yang personal bagi pengguna. Hasil penelitian menunjukkan bahwa integrasi Fuzzy Logic mampu meminimalisir kejenuhan belajar dengan memberikan tantangan yang sesuai dengan kapasitas anak tidak terlalu mudah dan tidak terlalu sulit). Selain itu, sistem analitik yang tertanam mampu mentransformasi data interaksi game menjadi laporan profil perilaku ekonomi digital yang akurat. Penggabungan teknologi gamifikasi adaptif dan logika fuzzy terbukti efektif dalam meningkatkan keterlibatan pengguna dan mempercepat pemahaman konsep ekonomi digital. Penelitian ini memberikan kontribusi pada pengembangan media pembelajaran cerdas yang mendukung persiapan generasi muda dalam menghadapi ekosistem keuangan digital yang kompleks

References

A. Chakraborty and A. K. Kar, “Swarm Intelligence: A Review of Algorithms,” in Nature-Inspired Computing and Optimization. Modeling and Optimization in Science and Technologies, Springer, 2017, pp. 475–494.

Q. Li et al., “An Enhanced Grey Wolf Optimization Based Feature Selection Wrapped Kernel Extreme Learning Machine for Medical Diagnosis,” Comput. Math. Methods Med., vol. 2017, pp. 1–15, 2017, doi: 10.1155/2017/9512741.

N. M. Arzeno, Z.-D. Deng, and C.-S. Poon, “Analysis of First-Derivative Based QRS Detection Algorithms,” IEEE Trans. Biomed. Eng., vol. 55, no. 2, pp. 478–484, Feb. 2008, doi: 10.1109/TBME.2007.912658.

W. Pieters, “Acceptance of Voting Technology: Between Confidence and Trust,” in International Conference on Trust Management, 2006, pp. 283–297, doi: 10.1007/11755593_21.

G. M. Friesen, T. C. Jannett, M. A. Jadallah, S. L. Yates, S. R. Quint, and H. T. Nagle, “A comparison of the noise sensitivity of nine QRS detection algorithms,” IEEE Trans. Biomed. Eng., vol. 37, no. 1, pp. 85–98, 1990, doi: 10.1109/10.43620.

P. S. Hamilton and W. J. Tompkins, “Compression of the ambulatory ECG by average beat subtraction and residual differencing,” IEEE Trans. Biomed. Eng., vol. 38, no. 3, pp. 253–259, Mar. 1991, doi: 10.1109/10.133206.

M. Achieng and E. Ruhode, “The Adoption and Challenges of Electronic Voting Technologies Within the South African Context,” Int. J. Manag. Inf. Technol., vol. 5, no. 4, pp. 1–12, Nov. 2013, doi: 10.5121/ijmit.2013.5401.

D. Cansell, J. P. Gibson, and D. Méry, “Refinement: A Constructive Approach to Formal Software Design for a Secure e-voting Interface,” Electron. Notes Theor. Comput. Sci., vol. 183, pp. 39–55, Jul. 2007, doi: 10.1016/j.entcs.2007.01.060.

M. Hapsara, A. Imran, and T. Turner, “Beyond Organizational Motives of e-Government Adoption: The Case of e-Voting Initiative in Indonesian Villages,” Procedia Comput. Sci., vol. 124, pp. 362–369, 2017, doi: 10.1016/j.procs.2017.12.166.

M. F.M.Mursi, G. M. R. Assassa, A. Abdelhafez, and K. M. Abo Samra, “On the Development of Electronic Voting: A Survey,” Int. J. Comput. Appl., vol. 61, no. 16, pp. 1–11, Jan. 2013, doi: 10.5120/10009-4872.

K. Vassil, M. Solvak, P. Vinkel, A. H. Trechsel, and R. M. Alvarez, “The diffusion of internet voting. Usage patterns of internet voting in Estonia between 2005 and 2015,” Gov. Inf. Q., vol. 33, no. 3, pp. 453–459, Jul. 2016, doi: 10.1016/j.giq.2016.06.007.

F. Zhang and Y. Lian, “QRS Detection Based on Multiscale Mathematical Morphology for Wearable ECG Devices in Body Area Networks,” IEEE Trans. Biomed. Circuits Syst., vol. 3, no. 4, pp. 220–228, Aug. 2009, doi: 10.1109/TBCAS.2009.2020093.

N. Valaei, S. R. Nikhashemi, H. Ha Jin, and M. M. Dent, “Task Technology Fit in Online Transaction Through Apps,” in Optimizing E-Participation Initiatives Through Social Media, IGI Global, 2018, pp. 236–251.

M. Merri, D. C. Farden, J. G. Mottley, and E. L. Titlebaum, “Sampling frequency of the electrocardiogram for spectral analysis of the heart rate variability,” IEEE Trans. Biomed. Eng., vol. 37, no. 1, pp. 99–106, 1990, doi: 10.1109/10.43621.

T. J. McGill and J. E. Klobas, “A task–technology fit view of learning management system impact,” Comput. Educ., vol. 52, no. 2, pp. 496–508, Feb. 2009, doi: 10.1016/j.compedu.2008.10.002.

B. Furneaux, “Task-Technology Fit Theory: A Survey and Synopsis of the Literature,” in Information Systems Theory, Springer, 2012, pp. 87–106.

E. M. H. Saeed and H. A. Saleh, “Pectoral Muscles Removal in Mammogram Image by Hybrid Bounding Box and Region Growing Algorithm,” in 2020 International Conference on Computer Science and Software Engineering (CSASE), Apr. 2020, pp. 146–151, doi: 10.1109/CSASE48920.2020.9142055.

D. L. Goodhue and R. L. Thompson, “Task-Technology Fit and Individual Performance,” MIS Q., vol. 19, no. 2, pp. 213–233, Jun. 1995, doi: 10.2307/249689.

S. Mostafa, R. Mubarak, M. El-Adawy, A. F. Ibrahim, M. M. Gomaa, and R. M. Kamal, “Breast Cancer Detection Using Polynomial Fitting Applied on Contrast Enhanced Spectral Mammography,” in 2019 International Conference on Innovative Trends in Computer Engineering (ITCE), Feb. 2019, pp. 11–16, doi: 10.1109/ITCE.2019.8646379.