Abstrak

Kemajuan kecerdasan buatan (AI) dan robotika sosial mendorong pertanyaan besar tentang masa depan pendidikan: apakah kelas-kelas akan dipimpin — atau setidaknya dibantu secara rutin — oleh robot asisten? Esai ini menelaah bukti ilmiah dan praktik nyata terkait penggunaan robot dalam pengajaran (robot sosial, asisten telepresence, tutor robotik), membandingkan kekuatan dan batasannya, menyajikan studi kasus (Robovie, NAO, Pepper), menilai efektivitas pembelajaran dan dampak afektif, serta menguraikan isu etika, kebijakan, biaya, dan kesiapan sistem pendidikan. Ringkasnya: bukti menunjukkan bahwa robot asisten dapat meningkatkan keterlibatan, motivasi, dan—dalam tugas yang terbatas—hasil belajar, namun mereka belum dapat menggantikan guru manusia secara menyeluruh. Masa depan yang paling realistis adalah model hibrida: guru manusia bekerja bersama asisten robotik/AI untuk meningkatkan personalisasi dan skala layanan pendidikan, asalkan disertai pengaturan etis, cukup infrastruktur, dan pelatihan guru. Science+1

1. Pendahuluan: mengapa pertanyaan ini penting sekarang?

Perkembangan pesat AI, natural language processing, pembelajaran mesin, dan kemampuan robotika (penginderaan, mobilitas, ekspresi wajah/suara) telah membuat robot sosial dan asisten robotik lebih mampu berinteraksi dengan manusia dalam konteks pedagogis. Selama dua dekade terakhir, laboratorium dan studi lapangan (mis. Robovie, Robonova, NAO, Pepper) menempatkan robot di ruang kelas untuk peran berbeda: tutor, asisten kelas, pemantik diskusi, agen motivasional, hingga rekan belajar. Selain kemajuan teknologi, pandemi COVID-19 memaksa lembaga pendidikan mengeksplorasi teknik pengajaran jarak jauh dan alat pembelajaran yang dapat memperkaya pengalaman daring — membuka lebih banyak minat pada peran asisten robotik dan agent AI dalam pendidikan. Stakeholder (pemerintah, sekolah, pengembang teknologi) kini menanyakan sejauh mana robot dapat berkontribusi secara sahih terhadap proses pembelajaran dan apakah mereka layak menjadi “pemimpin” atau “asisten utama” kelas di masa depan. UNESCO+1

2. Definisi dan klasifikasi — apa itu “robot asisten” dalam pendidikan?

Robot asisten pendidikan — istilah luas yang kita gunakan di sini — mencakup beberapa kategori teknis dan fungsional:

1. Robot sosial / humanoid: perangkat fisik yang dirancang untuk berperilaku sosial (ekspresi, gestur, percakapan sederhana). Contoh: NAO, Pepper, Robovie. Mereka sering dipakai sebagai tutor, fasilitator diskusi, atau “teman belajar”. SoftBank Robotics+1

2. Robot telepresence: perangkat yang memungkinkan guru atau ahli hadir secara jarak jauh (layar pada tiang, mobile telepresence robots) — fungsinya sebagai perpanjangan guru nyata, bukan pengganti. SJSU | School of Information

3. Tutor robotik berbasis AI: sistem yang menggabungkan kemampuan interaksi dengan model adaptif untuk memberikan pengajaran personal—di horizon ini ada tumpang-tindih antara robot fisik dan agent virtual (chatbots & ITS). Science+1

4. Robot assitive/terapeutik: khusus untuk pendidikan inklusif (autisme, special needs), di mana robot dipakai untuk intervensi sosial-emosional dan kebiasaan belajar. MDPI

Tabel ringkas tipe dan fungsi:

(Sumber: ringkasan dari review literatur dan dokumentasi produk). Science+2Roila+2

3. Tinjauan literatur: apa bukti ilmiah tentang robot di ruang belajar?

3.1 Meta-analisis dan review sistematis

Dua review besar yang sering dirujuk memberikan gambaran seimbang. Belpaeme et al. (2018) — review Science Robotics — menemukan bahwa social robots dapat meningkatkan keterlibatan afektif dan, pada tugas terstruktur terbatas, hasil kognitif; pada beberapa studi mereka mencapai hasil sebanding dengan tutoring manusia dalam tugas khusus. Namun, mereka juga menekankan keterbatasan: banyak studi berskala kecil, hasil jangka panjang belum jelas, dan konfigurasi studi (durasi, desain interaksi, tugas) sangat bervariasi. Science

Mubin et al. (2013) memberikan gambaran awal dan menekankan bahwa robot sering digunakan untuk mengajar bahasa, sains, dan pengembangan STEM dasar — tetapi bukti kualitatif mendominasi, dan masih sedikit studi RCT berskala besar. Roila

Woo et al. (2021) dan review lainnya menunjukkan hasil campuran: beberapa penelitian menunjukkan peningkatan motivasi dan partisipasi, tetapi tidak selalu peningkatan nilai akademik yang konsisten; efektivitas sangat dipengaruhi oleh desain pedagogis dan kemampuan robot berinteraksi alami. ScienceDirect

3.2 Studi lapangan (field trials) ikonik

• Kanda et al. (2004) — Robovie: percobaan kelas menggunakan Robovie sebagai rekan belajar/tutor dalam pembelajaran Lego Mindstorms; ditemukan bahwa robot dapat memfasilitasi kolaborasi dan meningkatkan minat siswa terhadap tugas teknik. Namun, peran guru tetap penting sebagai pengawas dan fasilitator. ACM Digital Library+1

• Tanaka et al. (Pepper): studi pendahuluan menempatkan Pepper di lingkungan edukasi untuk kegiatan kelas; robot berguna dalam aktivitas bersama dan memberikan stimulasi sosial, terutama bila dirancang dengan skenario interaktif yang baik. Fumihide Tanaka+1

• NAO classroom interventions (beberapa studi, termasuk percobaan terbaru) menunjukkan peningkatan keterlibatan dan penilaian subjektif siswa terhadap pengalaman belajar—tetapi hasil kognitif terukur (skor ujian) menunjukkan variasi menurut desain studi dan materi. (Studi kontemporer: Rosanda et al., 2025). Bera Journals

3.3 Konteks khusus — pendidikan inklusif

Bukti kuat muncul untuk penggunaan robot di pendidikan khusus; robot membantu interaksi berulang dan nonjudgmental yang berguna bagi anak-anak dengan autisme spektrum disorder (ASD) dan kebutuhan khusus lainnya. Sistem robotik sering kali menurunkan kecemasan sosial dan mendukung praktek berulang. Beberapa review sistematis menekankan prospek positif ini. MDPI

Ringkasan bukti: ada argumen kuat bahwa robot dapat meningkatkan keterlibatan, motivasi, dan memberikan manfaat khusus (ASD, pengajaran bahasa dasar, aktivitas STEM). Namun, bukti untuk menggantikan guru manusia secara penuh atau memimpin kelas secara otonom masih tidak meyakinkan; penelitian sering bersifat kecil, heterogen, dan berfokus pada tugas terbatas. Science+2Roila+2

4. Mengapa robot efektif pada beberapa tugas — kerangka teori pedagogis

1. Embodiment & Presence: kehadiran fisik robot (embodiment) menambah sinyal sosial (gesture, eye contact, suara) yang meningkatkan perhatian dan keterikatan—keunggulan dibandingkan agent virtual semata. Belpaeme et al. menggarisbawahi peran kehadiran fisik ini. Science

2. Pengulangan dan konsistensi: robot dapat mengulangi instruksi tanpa kehilangan kesabaran, berguna untuk latihan berulang (mis. pelafalan bahasa, latihan soal).

3. Personalisasi adaptif: ketika dipasangkan dengan ITS (intelligent tutoring systems), robot bisa menyesuaikan level tantangan sehingga menciptakan kondisi flow untuk belajar. UCL Discovery

4. Motivasi sosial: anak sering mengaitkan robot dengan teman bermain atau figur interaktif, meningkatkan engagement afektif. PubMed

Namun pembelajaran berkesinambungan menuntut unsur refleksi, umpan balik substansial, dan penilaian kompleks—dimana kecerdasan manusia (penilaian etis, konteks sosial, pedagogi halus) tetap unggul.

5. Studi kasus mendalam

5.1 Robovie / ATR (Jepang) — kelas tanpa guru dewasa

Kanda et al. (2004) melakukan field trial di mana Robovie mengelola kelas aktivitas LEGO Mindstorms selama beberapa pertemuan. Temuan utama: anak-anak dapat menjalankan aktivitas kolaboratif; robot memfasilitasi diskusi; namun efektivitas instruksional bergantung pada desain tugas dan persiapan guru sebelum/selama kegiatan. Robot tidak sepenuhnya menggantikan peran guru terutama pada aspek penyelesaian konflik, penilaian kompleks, dan keselamatan. ACM Digital Library+1

5.2 NAO di sekolah (beragam negara) — studi dan pembelajaran terintegrasi

NAO digunakan di banyak studi sebagai asisten pengajaran bahasa, robot demonstrator, atau rekan belajar. Hasil sering positif untuk keterlibatan dan motivasi; beberapa studi terbaru (2024–2025) mulai menguji dampak terhadap skor pembelajaran dan menemukan peningkatan moderat pada kondisi tertentu — terutama ketika integrasi pedagogis dan materi disiapkan baik oleh guru. Namun biaya, kesiapan guru, dan pemeliharaan menjadi persoalan nyata. SoftBank Robotics+1

5.3 Pepper di perpustakaan dan ruang pembelajaran (contoh SJSU & studi Tanaka)

Pepper yang lebih humanoid dengan layar sering digunakan untuk kegiatan interaktif, pemanduan pengguna, dan program literasi. Studi awal menunjukkan pengaruh positif terhadap partisipasi, tetapi bukan pengganti guru dalam tugas mengajar yang kompleks. Fumihide Tanaka+1

6. Perbandingan: robot vs agent AI (chatbot/ITS) vs guru manusia

Catatan: model paling praktis saat ini adalah kombinasi: guru memimpin pedagogi, robot/agent membantu personalisasi, pengulangan, dan intervensi khusus. Science+1

7. Isu praktis: biaya, pemeliharaan, dan infrastruktur

• Biaya awal: robot humanoid komersial (NAO, Pepper) berharga puluhan ribu dolar per unit; biaya ini membuat skala nasional mahal tanpa subsidi atau model shared access (perpustakaan robot, pusat sumber daya). SoftBank Robotics+1

• Pemeliharaan & dukungan teknis: memerlukan dukungan teknis lokal — firmware updates, perbaikan hardware, jaringan stabil. Tanpa ini robot cepat menjadi tidak terpakai.

• Skalabilitas: agent AI berbasis cloud lebih mudah diskalakan; robot fisik unggul pada aspek sosial tetapi mahal per unit. UCL Discovery

Implikasi kebijakan: negara/perguruan tinggi harus menimbang model pembiayaan (pilot, shared resources, hibah penelitian), infrastruktur jaringan, dan strategi PD untuk guru.

8. Isu etika, privasi, dan regulasi

1. Privasi data siswa: robot & AI mengumpulkan audio, video, interaksi—ini menimbulkan risiko penyimpanan dan monetisasi data. UNESCO dan OECD menekankan perlindungan data dan prinsip transparansi. Teacher Task Force+1

2. Bias dan akurasi: model AI bisa mereplikasi bias dari data latihan — berbahaya jika mempengaruhi penilaian atau rekomendasi belajar. OECD & UNESCO menganjurkan audit bias dan ujicoba independent. OECD AI+1

3. Tanggung jawab pedagogis: jika robot “memimpin” kelas, siapa bertanggung jawab atas keputusan pedagogis, keselamatan, atau kesalahan instruksi? Regulasi dan kebijakan harus menetapkan peran manusia yang bertanggung jawab. Teacher Task Force

4. Komersialisasi pendidikan: vendor edtech/robot dapat mendorong pemasaran ke sekolah; perlindungan diperlukan agar pendidikan tidak dikomersialisasi secara merugikan. UNESCO dan dokumen kebijakan menyoroti ancaman ini. Table Media

9. Model masa depan yang realistis: skenario dan roadmap

9.1 Skenario 1 — Asisten Robot Hibrid (realistis, jangka menengah)

Guru tetap pemimpin; robot/agent memberikan: latihan berulang, intervensi adaptif, dukungan kelompok kecil, monitoring keterlibatan, dan kehadiran telepresence bila guru tidak hadir. Model ini cocok untuk sekolah dengan sumber daya menengah ke atas atau pusat sumber daya. (Kebanyakan studi lapangan mendukung model ini). Science+1

9.2 Skenario 2 — Robot Pemimpin Kelas Otonom (optimis, jangka jauh)

Robot memimpin sebagian besar kegiatan rutin, guru bertindak sebagai supervisor & kurator. Skenario ini menuntut pencapaian AI pemahaman konteks, etika, dan penilaian otentik yang saat ini belum tersedia secara andal. Menurut literatur saat ini, ini masih spekulatif. UCL Discovery

9.3 Skenario 3 — Agent Virtual Skala Besar (praktis, skala luas)

Agent AI (chatbots & ITS) tanpa badan fisik menyediakan personalisasi massal. Lebih murah diskalakan, tapi kehilangan keuntungan kehadiran sosial. Kombinasi telepresence atau avatar dapat mengurangi kelemahan ini. UCL Discovery

Roadmap implementasi (5–10 tahun): pilot terfokus (inklusif & evaluatif), pembangunan infrastruktur, pelatihan guru berkelanjutan, regulasi perlindungan data, dan evaluasi RCT berkualitas tinggi. OECD/UNESCO guidance mendukung pendekatan hati-hati dan beretika. UNESCO+1

10. Rekomendasi kebijakan & praktik untuk pemangku kepentingan

Untuk Pemerintah & Pembuat Kebijakan

• Prioritaskan pilot berbasis bukti dengan RCT/quasi-experimental dan publikasikan hasilnya. Science

• Tetapkan standar perlindungan data, kontrak vendor yang melindungi hak siswa, dan audit algoritma. Teacher Task Force+1

• Investasikan dalam infrastruktur dan model akses bersama (pusat robot, perpustakaan daerah).

Untuk Sekolah & Pengelola

• Gunakan robot sebagai asisten (bukan pengganti) — untuk praktik berulang, percobaan sains, atau dukungan pembelajaran kelompok kecil. ACM Digital Library

• Berikan pelatihan teknis serta pedagogis kepada guru (TPACK + HRI basics). UCL Discovery

Untuk Peneliti & Pengembang

• Fokus pada studi jangka panjang, RCT, dan penilaian dampak afektif & kognitif.

• Prioritaskan desain Human-in-the-loop, explainability, dan audit bias.

Untuk Orang Tua & Masyarakat

• Dorong keterlibatan orang tua dalam pilot; pastikan persetujuan dan transparansi data.

• Evaluasi nilai pedagogis sebelum menerima pembelian atau pengadopsian teknologi.

11. Keterbatasan kajian dan agenda riset

Keterbatasan: literatur saat ini heterogen; banyak studi skala kecil; sedikit RCT jangka panjang; biaya dan konteks lokal (infrastruktur) sering diabaikan.

Agenda riset prioritas:

1. RCT multi-site yang menilai pembelajaran jangka panjang dan transfer belajar.

2. Kajian biaya-manfaat inklusif (CAPEX + OPEX + pelatihan).

3. Studi etnografi kelas untuk memahami dinamika manusia-robot di konteks nyata.

4. Audit algoritma & evaluasi bias pada ITS/robot pendidikan. Science+1

12. Kesimpulan — jawaban bernuansa untuk pertanyaan besar

Apakah masa depan kelas akan dipimpin oleh robot asisten? Jawaban singkatnya: tidak sepenuhnya — setidaknya tidak dalam dekade mendatang jika targetnya adalah penggantian penuh guru manusia. Namun robot asisten dan agent AI akan menjadi bagian penting dari ekosistem pendidikan: mereka akan memperkaya pengalaman belajar, meningkatkan personalisasi, membantu siswa dengan kebutuhan khusus, dan meringankan beberapa beban administratif guru. Model yang paling mungkin dan etis adalah kolaborasi manusia–robot (human-in-the-loop), di mana guru tetap memegang tanggung jawab pedagogis, etis, dan nilai-nilai pendidikan, sementara robot/AI menyediakan kapabilitas komputasional, repetisi, dan dukungan skala. Keberhasilan transisi ini sangat bergantung pada bukti ilmiah berkualitas, kebijakan perlindungan data, kesiapan infrastruktur, dan komitmen untuk keadilan serta kesejahteraan siswa. Science+1

13. Referensi pilihan (sumber utama, jurnal & kebijakan yang sangat terpercaya)

• Belpaeme, T., Kennedy, J., Ramachandran, A., Scassellati, B., & Tanaka, F. (2018). Social robots for education: A review. Science Robotics, 3(21), eaat5954. Science

• Mubin, O., Stevens, C. J., Shahid, S., Al Mahmud, A., & Dong, J.-J. (2013). A review of the applicability of robots in education. International Journal of Social Robotics. Roila

• Kanda, T., Hirano, T., Eaton, D., & Ishiguro, H. (2004). Interactive Robots as Social Partners and Peer Tutors for Children: A Field Trial. ACM/CHI proceedings. ACM Digital Library

• Tanaka, F., et al. Pepper learns together with children (conference paper / project description). Fumihide Tanaka

• UNESCO. (2021). AI and education: Guidance for policy-makers. Paris: UNESCO. Teacher Task Force+1

• OECD. Artificial Intelligence and the future of skills / AI policy resources. OECD+1

• Woo, H., et al. (2021). The use of social robots in classrooms: A review of field trials. (Review article). ScienceDirect

• Papakostas, G. A., et al. (2021). Social Robots in Special Education: A Systematic Review. Electronics. MDPI

• Rosanda, V., et al. (2025). Robot NAO integrated lesson vs. traditional lesson: Measuring … British Journal of Educational Technology (pilot/ongoing). Bera Journals

• Pepper (SoftBank Robotics) product & NAO pages (SoftBank Robotics / SoftBank) — dokumentasi teknis dan aplikasi pendidikan. SoftBank Robotics+1