Katalog lengkap 42 tabel + 39 gambar Bab 3β4: dari mana datanya, kenapa artefak itu ada, klaim apa yang ditopangnya, dan di mana melihat datanya hidup di sistem ini. Bab 3 = artefak rancangan (pra-registrasi); Bab 4 = pengukuran (run tersegel / DB / skrip).
Tabel 3.1Dimensi fungsi tata kelola
Sumber: Rancangan Bab 3 (artefak desain β bukan pengukuran); formulasi weighted-sum (Pers. 2.20)
Intent: Mendefinisikan 6 dimensi J_t sebelum implementasi β apa saja pertimbangan keputusan adaptif.
Menopang: Fondasi RM3 (observabilitas tata kelola); dieksekusi oleh Algoritma 3.7.
Tabel 3.2Deskripsi raw dataset
Sumber: Dokumentasi dataset publik (Junyi, EdNet, ASSISTments, CSEDM, Statics)
Intent: Transparansi bahan mentah sebelum praproses.
Menopang: Dasar pemilihan ekologi evaluasi lintas-topologi.
Tabel 3.3Daftar model pembanding
Sumber: Literatur KT (BKT/DKT/SAKT/GKT) β paradigma klasik, RNN, attention, graph
Intent: Menetapkan pembanding SEBELUM hasil ada (anti cherry-picking).
Menopang: Semua klaim komparatif Bab 4.
Tabel 3.4Metrik evaluasi
Sumber: Rancangan Bab 3 (artefak desain β bukan pengukuran)
Intent: Mengunci metrik di muka: AUC (utama), akurasi, prefix performance, kalibrasi.
Menopang: Protokol Tabel 4.8/4.10; menjawab "kenapa AUC".
Tabel 3.5Matriks ketertelusuran penelitian
Sumber: Rancangan Bab 3 (artefak desain β bukan pengukuran)
Intent: Memetakan RM β metode β bukti, satu baris per rumusan masalah.
Menopang: Navigasi penguji: setiap RM punya jalur bukti.
Tabel 3.6Kebutuhan perangkat keras
Sumber: Rancangan Bab 3 (artefak desain β bukan pengukuran)
Intent: Spesifikasi minimal agar reproduksi realistis (tanpa GPU).
Menopang: Klaim efisiensi: seluruh evaluasi CPU-only.
Tabel 3.7Lingkungan pengembangan dan kerangka kerja
Sumber: Rancangan Bab 3 (artefak desain β bukan pengukuran)
Intent: Mencatat stack (FastAPI, Next.js, dsb.) untuk reproduktibilitas.
Menopang: Realisasi Β§4.1.
Tabel 3.8Basis data dan infrastruktur data
Sumber: Rancangan Bab 3 (artefak desain β bukan pengukuran)
Intent: Postgres = source of truth; Redis = cache; Kafka = bus β peran dipisah eksplisit.
Menopang: Klaim event-sourcing & auditabilitas.
Tabel 3.9Library dan tools pendukung
Sumber: Rancangan Bab 3 (artefak desain β bukan pengukuran)
Intent: Dependensi tercatat (versi) demi reproduksi build.
Menopang: Reproduktibilitas rekayasa.
Tabel 3.10Daftar dataset evaluasi
Sumber: Praproses dari raw dataset (T3.2) β registry evaluasi
Intent: Dataset mana yang benar-benar dipakai evaluasi + perannya.
Menopang: Ekologi lintas-topologi RM4/ADC.
Tabel 3.11Konfigurasi deployment
Sumber: Rancangan Bab 3 (artefak desain β bukan pengukuran) β docker-compose.final.yml
Intent: Parameter deployment dikunci (port, layanan, profil).
Menopang: Sistem berjalan = klaim, bukan janji.
Tabel 3.12Perbandingan karakteristik komputasi dan operasional antarmodel
Sumber: Analisis kompleksitas per paradigma (literatur + derivasi)
Intent: Posisi HCIE vs deep model SEBELUM angka AUC: biaya, pelatihan, auditabilitas.
Menopang: Frame "kompetitif tanpa pelatihan" (G4.16).
Tabel 3.13Evolusi kuantitas state penguasaan pada lintasan ilustratif (deret jawaban y = 1, 0, 1)
Sumber: Perhitungan eksak Algoritma 3.1 (benih 0,5/0,25; Q=0,01; R=0,1)
Intent: Contoh kerja bernomor: pembaca bisa cek tiap angka dengan kalkulator.
Menopang: Bukti state eksplisit & dapat diaudit; dianimasikan di stepper.
Tabel 3.14Pemetaan komponen sistem ke rancangan realisasinya
Sumber: Rancangan Bab 3 (artefak desain β bukan pengukuran)
Intent: Jembatan desain β kode: tiap komponen konseptual punya realisasi bernama.
Menopang: Fidelitas desain-implementasi.
Tabel 3.15Statistik dataset knowledge tracing
Sumber: Hitungan langsung atas dataset terpraproses (baris, pelajar, konsep)
Intent: Skala & sparsitas tiap dataset β konteks kesulitan cold-start.
Menopang: Kontekstualisasi hasil per-dataset.
Tabel 3.16Pemetaan dataset ke computational thinking (berbasis kerangka K-12)
Sumber: Pemetaan manual pra-registrasi (kerangka CT K-12), sebelum evaluasi
Intent: Menyatukan domain lintas-dataset ke satu taksonomi konsep.
Menopang: Jawaban "subjektivitas pemetaan": ditetapkan di muka.
Tabel 3.17Log interaksi sistem
Sumber: Rancangan Bab 3 (artefak desain β bukan pengukuran) (skema event)
Intent: Skema data interaksi: apa yang direkam per upaya.
Menopang: Input Algoritma 3.5; dasar keterlacakan.
Tabel 3.18Model pembanding dan keluarga paradigma
Sumber: Literatur KT
Intent: Tiap baseline mewakili satu keluarga (probabilistik/RNN/attention/graph).
Menopang: Justifikasi pemilihan baseline (Q28/Q51).
Tabel 3.19Mekanisme dan observabilitas enam dimensi tata kelola J_t
Sumber: Rancangan Bab 3 (artefak desain β bukan pengukuran)
Intent: Per dimensi: dari mana sinyalnya + bagaimana diamati.
Menopang: Pra-registrasi verdikt ADC (dibandingkan hasil di T4.11).
Tabel 3.20Dua keluarga pembanding yang direncanakan
Sumber: Rancangan Bab 3 (artefak desain β bukan pengukuran)
Intent: Memisahkan pembanding prediktif vs operasional.
Menopang: Struktur evaluasi Β§4.2.
Tabel 3.21Skenario pengujian yang direncanakan
Sumber: Rancangan Bab 3 (artefak desain β bukan pengukuran)
Intent: Skenario uji dikunci sebelum implementasi (apa yang disebut lulus).
Menopang: Anti moving-the-goalposts.
Tabel 3.22Tahapan evaluasi berdasarkan jumlah interaksi
Sumber: Rancangan Bab 3 (artefak desain β bukan pengukuran)
Intent: Definisi jendela cold-start (β€5/β€10/β€20/all) di muka.
Menopang: Prefix performance & Tabel 4.8.
Tabel 3.23Daftar metrik sistem
Sumber: Rancangan Bab 3 (artefak desain β bukan pengukuran)
Intent: Metrik operasional (latensi, throughput) selain metrik ilmiah.
Menopang: Bukti Β§4 (p95 24 ms).
Tabel 3.24Kompleksitas komputasi model
Sumber: Derivasi per algoritma (window konstan diverifikasi di kode)
Intent: O() per tahap HCIE vs baseline β dasar klaim O(K).
Menopang: RM1 efisiensi; slide 40/42.
Tabel 3.25Lini masa pengerjaan tugas akhir
Sumber: Rancangan Bab 3 (artefak desain β bukan pengukuran)
Intent: Perencanaan waktu penelitian.
Menopang: Administratif.
Tabel 4.1Parameter realisasi model penguasaan
Sumber: kalman_learner.py + konfigurasi terdeploy (Q=0,01; R=0,1; init; clip)
Intent: Parameter yang BENAR-BENAR jalan β bukan yang direncanakan.
Menopang: Fidelitas kode-naskah; sensitivitas G4.18.
Tabel 4.2Registry sumber data yang direalisasikan
Sumber: DB: cohort_specs + experiment_runs
Intent: Run mana memuat dataset apa β jejak provenance evaluasi.
Menopang: Setiap AUC bisa ditelusuri ke run_id.
Tabel 4.3Perbandingan AUC implementasi sendiri vs pustaka pyKT
Sumber: Probe paritas: DKT custom 0,589 β pyKT 0,584; SAKT custom β₯ pyKT
Intent: Menutup keraguan "baseline-mu lemah karena implementasi sendiri".
Menopang: Fairness komparasi (Q62).
Tabel 4.4Rekonstruksi jejak keputusan lima interaksi pertama (pelajar acuan)
Sumber: Run tersegel run-94a3b8ba (anchor d2154070) β baris trajektori pelajar acuan
Intent: Bukti konkret: keputusan nyata bisa direkonstruksi baris demi baris.
Menopang: Klaim auditabilitas (RM2).
Tabel 4.5Kompleksitas komputasi per interaksi
Sumber: Verifikasi kode: window konstan 10/100/100/50/20 (governance/fusion/bandit)
Intent: O(K) bukan klaim teoretis β batas window ditunjuk di kode.
Menopang: RM1; jawaban "buktikan O(K)".
Tabel 4.6Validasi determinisme pemutaran ulang per permukaan keputusan
Sumber: replay_determinism_layers (dua jalan, seed sama)
Intent: Envelope per permukaan: exact / runtime 2,5e-3 / governance 4e-2.
Menopang: Reproduktibilitas Β§4.10.5.
Tabel 4.7Ringkasan analisis statis kualitas kode (SonarQube)
Sumber: Scan SonarQube terhadap repo (versi tercantum di naskah)
Intent: Kualitas rekayasa terukur pihak-ketiga, bukan self-report.
Menopang: Pendukung klaim sistem-nyata.
Tabel 4.8AUC cold-start tercocok HCIE vs model pembanding (10 pelajar held-out)
Sumber: Run tersegel run-94a3b8ba (anchor d2154070) β dump_matched_eval_perrow.py (verifikasi ulang β2 dtk: 0,6051/0,5963/0,5892/0,5730/0,5711)
Intent: HEADLINE: prediksi cold-start tercocok, tie-aware, bebas-bocor.
Menopang: RM1/RM5; slide 11.
Tabel 4.9AUC lintas-dataset (jendela β€20): HCIE vs model pembanding β pembacaan m_K
Sumber: regen lintas-dataset m_K (coldstart_mK_all_datasets.json)
Intent: Generalisasi lintas ekologi + kejujuran flip deployedβm_K.
Menopang: RM5; jawaban generalisasi.
Tabel 4.10Perbandingan tersegel terhadap warmed-BKT
Sumber: Run tersegel run-94a3b8ba (anchor d2154070) + warmed-BKT (ASSISTments overall +0,003)
Intent: Uji keras: lawan BKT yang sudah "dipanaskan".
Menopang: Kejujuran batas keunggulan.
Tabel 4.11Klasifikasi observabilitas enam dimensi tata kelola (run tersegel, N=96.727)
Sumber: Run tersegel run-94a3b8ba (anchor d2154070) β Algoritma 3.3 (Ξ±_floor 0,01; rasio 0,08)
Intent: Verdikt AKTIF/DORMAN per dimensi β hasil inti ADC.
Menopang: RM3; slide 36.
Tabel 4.12Penarikan lengan bandit per peringkat efektivitas (pilot live, 50 pelajar)
Sumber: Pilot live 50 pelajar (berlabel; bandit modalitas real-learner-only)
Intent: Bukti bandit modalitas bekerja pada trafik nyata.
Menopang: RM2 personalisasi representasi.
Tabel 4.13Validasi lintas-dataset klasifikasi ADC per kelas topologi
Sumber: Run per-dataset + taksonomi topologi (explicit-DAG / flat / null)
Intent: Kontrol positif-negatif: transfer AKTIF di DAG eksplisit, nol struktural di null-graph.
Menopang: RM4; jawaban dorman-vs-signifikan.
Tabel 4.14AUC keseluruhan dan biaya pelatihan per model
Sumber: Gabungan T4.8 + biaya pelatihan per paradigma
Intent: Trade-off eksplisit: akurasi vs biaya (dasar G4.16 Pareto).
Menopang: Klaim "kompetitif tanpa pelatihan".
Tabel 4.15Perbandingan kapabilitas HCIE dan model knowledge tracing pembanding
Sumber: Analisis kapabilitas 8-sumbu (auditabilitas, cold-start, biaya, dsb.)
Intent: Sumbu non-prediktif tempat HCIE menang struktural.
Menopang: Framing kontribusi (bukan cuma AUC).
Tabel 4.16Ringkasan kontribusi penelitian, bukti empiris, dan temuan utama
Sumber: Sintesis seluruh Bab 4
Intent: Satu tabel = peta klaimβbukti untuk penguji.
Menopang: Penutup; navigasi sidang.
Tabel 4.17Keeksakan bit-demi-bit kuantitas keadaan pada pemutaran ulang
Sumber: Replay dua-jalan atas run tersegel (bit-identik pada lapisan keputusan)
Intent: Bukti terkuat reproduktibilitas: bukan "mirip", tapi bit-sama.
Menopang: RM2/keterlacakan; slide 43.
Gambar 3.1Ikhtisar konseptual sistem yang diusulkan
Sumber: Rancangan Bab 3 (artefak desain β bukan pengukuran)
Intent: Peta besar sebelum detail: masalah β mesin β bukti.
Menopang: Orientasi pembaca.
Gambar 3.2Arsitektur sistem
Sumber: Rancangan Bab 3 (artefak desain β bukan pengukuran) (diagram mermaid, sumber di repo)
Intent: Gateway β runtime β persistensi β observabilitas.
Menopang: Realisasi di G4.2.
Gambar 3.3Loop interaksi adaptif
Sumber: Rancangan Bab 3 (artefak desain β bukan pengukuran) β DIKOREKSI: bandit memilih; J_t = pandangan ADC
Intent: Lingkar tertutup observeβupdateβgovernβselectβserve.
Menopang: Visual Algoritma 3.5.
Gambar 3.4Kerangka model yang diusulkan
Sumber: Rancangan Bab 3 (artefak desain β bukan pengukuran) β DIKOREKSI (JT-stance)
Intent: State [m,ΟΒ²,z] β bandit β reward; J_t mengaudit.
Menopang: Kerangka RM1-RM3.
Gambar 3.5Kerangka estimasi penguasaan: Kalman kanonik + ensemble sebagai sumber sinyal
Sumber: Rancangan Bab 3 (artefak desain β bukan pengukuran)
Intent: Kenapa m = m_K dan ΟΒ² = dispersi ensemble.
Menopang: Justifikasi estimator (T4.3, 0,705-vs-0,644).
Gambar 3.6Alur eksperimen
Sumber: Rancangan Bab 3 (artefak desain β bukan pengukuran)
Intent: Sumber data β praproses β protokol β model β metrik.
Menopang: Peta metodologi.
Gambar 3.7Protokol eksperimen (evaluasi tercocok)
Sumber: Rancangan Bab 3 (artefak desain β bukan pengukuran)
Intent: Visual Algoritma 3.2: predict-before-observe.
Menopang: Klaim bebas-bocor.
Gambar 3.8Diagram kelas: struktur perangkat lunak model dan kebijakan
Sumber: Struktur kode 00_core (learners/ensemble/bandit)
Intent: Pemisahan estimator vs kebijakan di tingkat kelas.
Menopang: Jawaban "kenapa dipisah".
Gambar 3.9Diagram komponen sistem HCIE
Sumber: Rancangan Bab 3 (artefak desain β bukan pengukuran)
Intent: Komponen + antarmuka antar-layanan.
Menopang: Realisasi Β§4.1.
Gambar 3.10Diagram deployment: node, artefak, dan port
Sumber: docker-compose.final.yml
Intent: Topologi deploy konkret (port, kontainer).
Menopang: Sistem nyata; G4.2.
Gambar 3.11Model data konseptual (CDM): entitas dan relasi
Sumber: Rancangan Bab 3 (artefak desain β bukan pengukuran) (8 entitas)
Intent: Struktur data tingkat konsep.
Menopang: Slide 28; dasar PDM.
Gambar 3.12Model data fisik (PDM): tabel, kolom, dan kunci
Sumber: Skema Postgres terdeploy
Intent: Realisasi CDM di DB nyata.
Menopang: Slide 29; jawaban struktur data.
Gambar 3.13Struktur prasyarat konsep computational thinking K-12
Sumber: Kurikulum CT K-12 (representatif; sisi dapat diekspor dari registry)
Intent: Hierarki jenjang β dasar kata "Hierarchical" + gerbang DAG.
Menopang: RM4; transfer.
Gambar 3.14DAG prasyarat kurikulum Intro-Python
Sumber: Registry konsep terdeploy
Intent: DAG konkret yang dipakai runtime.
Menopang: Gerbang Alg 3.5 baris 3.
Gambar 3.15Detail strand Algoritma dan Pemrograman antarjenjang
Sumber: Kurikulum CT K-12
Intent: Zoom-in satu strand lintas jenjang.
Menopang: Konteks kurikulum.
Gambar 3.16Propagasi penguasaan prasyarat pada cold-start
Sumber: Rancangan Bab 3 (artefak desain β bukan pengukuran)
Intent: Bagaimana prediksi konsep baru melampaui base-rate via graf.
Menopang: Mekanisme transfer (RM4).
Gambar 3.17Siklus hidup kohort eksperimen
Sumber: Rancangan Bab 3 (artefak desain β bukan pengukuran) (state machine)
Intent: Spec β run β attempting β finalized β audit-ready.
Menopang: Provenance run.
Gambar 3.18Alur instrumen observabilitas tata kelola (ADC)
Sumber: Rancangan Bab 3 (artefak desain β bukan pengukuran)
Intent: Snapshot β klasifikasi dimensi β verdikt β taksonomi.
Menopang: Visual Algoritma 3.3/3.7.
Gambar 3.19Alur evaluasi sistem
Sumber: Rancangan Bab 3 (artefak desain β bukan pengukuran)
Intent: Rangkaian evaluasi end-to-end.
Menopang: Peta Bab 4.
Gambar 4.1Evolusi state pengetahuan dan ketidakpastian epistemic selama personalisasi cold-start
Sumber: Run tersegel run-94a3b8ba (anchor d2154070) (pelajar tersegel; mβ=0,143 Laplace-1/7; ΟΒ² puncak ~0,028 di i7 β ~0,010 di i20)
Intent: Bukti state hidup sejak interaksi-1 dan ΟΒ² non-monoton (jujur).
Menopang: RM1; jawaban ΟΒ².
Gambar 4.2Topologi realisasi sistem HCIE
Sumber: Stack terdeploy (kontainer live)
Intent: Yang benar-benar berjalan vs yang dirancang (G3.2).
Menopang: Sistem nyata.
Gambar 4.3Antarmuka tutor adaptif dengan panel penjelas keputusan
Sumber: Screenshot FE live (/learn)
Intent: Keputusan + alasannya TERLIHAT oleh pelajar.
Menopang: Auditabilitas ujung-pengguna.
Gambar 4.4Monitor tata kelola (mode backend langsung)
Sumber: Screenshot FE live
Intent: J_t & dimensi dipantau real-time.
Menopang: RM3 operasional.
Gambar 4.5Validasi determinisme melalui pemutaran ulang keputusan
Sumber: Replay dua-jalan (T4.6/T4.17)
Intent: Visual bukti bit-identik.
Menopang: Reproduktibilitas.
Gambar 4.6Dasbor Grafana HCIE System
Sumber: Grafana live (read-only)
Intent: Observabilitas operasional pihak-ketiga.
Menopang: Sistem hidup.
Gambar 4.7Kafka UI: grup konsumen stabil tanpa backlog
Sumber: Kafka UI live
Intent: Konsumen sehat = pipeline event jalan.
Menopang: Event-sourcing nyata.
Gambar 4.8AUC jendela cold-start terdingin (domain CSEDM)
Sumber: Evaluasi m_K per jendela (CSEDM)
Intent: Perilaku di jendela paling ekstrem.
Menopang: Kejujuran cold-start.
Gambar 4.9AUC cold-start tercocok per jendela (pola Simpson)
Sumber: Run tersegel run-94a3b8ba (anchor d2154070)
Intent: Mengungkap Simpson: agregat menang β menang tiap sel.
Menopang: Kejujuran per-jendela (slide 12).
Gambar 4.10Sapuan skala AUC terhadap ukuran sampel
Sumber: Scale sweep atas run tersegel
Intent: Stabilitas AUC terhadap N.
Menopang: Robustness.
Gambar 4.11Matriks lintas-dataset AUC HCIE vs model pembanding
Sumber: coldstart_mK_all_datasets.json
Intent: Satu pandangan semua dataset Γ model.
Menopang: RM5 generalisasi.
Gambar 4.12Ekologi kebijakan berdasarkan konsentrasi dan entropi tata kelola
Sumber: Run tersegel run-94a3b8ba (anchor d2154070)
Intent: Bagaimana ekologi memengaruhi konsentrasi keputusan.
Menopang: RM3 konteks.
Gambar 4.13Dekomposisi kontribusi enam dimensi fungsi tata kelola J_t
Sumber: Run tersegel run-94a3b8ba (anchor d2154070) (porsi: Challenge 0,158 Β· Uncertainty 0,119 Β· ΞM 0,083 Β· ZPD 0,044 Β· T_realized 0,015)
Intent: Dimensi mana yang benar-benar menggerakkan J_t.
Menopang: RM3; input verdikt T4.11.
Gambar 4.14Identifikasi transfer: efek durable, kontrol plasebo, dan null shuffled-DAG
Sumber: prospective_probe_v3_full_K1000.json (0,091/0,038/0,053; p<0,001; N=1.976.020)
Intent: Bukti kausal-residu dengan kontrol ganda.
Menopang: RM4; slide 13.
Gambar 4.15Ablasi fungsi tata kelola (J_t)
Sumber: Ablasi JT atas run tersegel
Intent: Kontribusi komponen J_t saat dimatikan.
Menopang: RM3.
Gambar 4.16Frontier biayaβkinerja: AUC vs kebutuhan data pelatihan luring
Sumber: T4.14 (AUC + biaya pelatihan)
Intent: Pareto: HCIE kompetitif di biaya ~nol.
Menopang: Klaim inti efisiensi.
Gambar 4.17Diagram reliabilitas kalibrasi: HCIE mentah & Platt vs BKT
Sumber: Kalibrasi pada run tercocok tersegel (ECE mentah β Platt)
Intent: Probabilitas bermakna, bukan sekadar ranking.
Menopang: Jawaban kalibrasi (Q60).
Gambar 4.18Sensitivitas parameter derau Kalman (Q, R) terhadap AUC tercocok
Sumber: Sweep eksak-pada-tersegel (kalman_learner.py riil; base 0,6049 β 0,6051)
Intent: Q/R dipilih di plateau, bukan puncak tuning; degradasi R besar DITAMPILKAN.
Menopang: Jawaban "dari mana Q dan R".
Gambar 4.19Tingkat kesalahan HCIE per kelompok struktural
Sumber: Analisis mekanistik galat (per-baris CSV tersegel)
Intent: DI MANA model salah (label/kedalaman/frekuensi/volatilitas).
Menopang: Kejujuran mekanistik.
Gambar 4.20Dekomposisi galat HCIE: false-positive optimis (carryover) dan under-prediction
Sumber: Analisis per-baris tersegel: 67,1% FP optimis; 87,5% pasca-jawaban-benar
Intent: MENGAPA model salah: carryover penguasaan.
Menopang: Analisis kegagalan jujur.
Kapsi = verbatim naskah. Sumber tiap artefak Bab 4 menunjuk run tersegel / skrip / DB yang memproduksinya; angka kunci tercantum inline. Artefak yang berupa screenshot (G4.3βG4.7) menunjuk halaman live-nya langsung.