DESAIN DAN USULAN MUATAN ISI KURIKULUM TEKNIK INDUSTRI DI ERA KECERDASAN BUATAN: KERANGKA KOMPREHENSIF INTEGRASI BODY OF KNOWLEDGE, OUTCOME-BASED EDUCATION, DAN KEBUTUHAN INDUSTRI 5.0
DESAIN DAN USULAN MUATAN ISI KURIKULUM TEKNIK INDUSTRI DI ERA KECERDASAN BUATAN: KERANGKA KOMPREHENSIF INTEGRASI BODY OF KNOWLEDGE, OUTCOME-BASED EDUCATION, DAN KEBUTUHAN INDUSTRI 5.0
Asep Rohmandar Email : rasep7029@gmail.com
Masyarakat Peneliti Mandiri Kasundaan Nusantara
ABSTRAK
Kehadiran kecerdasan buatan (Artificial Intelligence/AI) generatif dan analitik prediktif telah mengubah lanskap kerja pada hampir seluruh rantai nilai industri, mulai dari perancangan produk, perencanaan dan pengendalian produksi, penjaminan kualitas, hingga manajemen rantai pasok. Perubahan ini menimbulkan tekanan struktural terhadap program studi Teknik Industri, yang secara historis dibangun di atas fondasi riset operasi klasik, ergonomi, dan manajemen sistem produksi, namun kini dituntut menyiapkan lulusan yang mampu berkolaborasi dengan sistem cerdas dan bertindak sebagai perancang sekaligus pengawas (designer-cum-orchestrator) atas algoritme yang bekerja di dalam sistem sosioteknikal. Artikel konseptual ini menyusun kerangka dan usulan muatan isi kurikulum Teknik Industri yang responsif terhadap era AI, dengan mensintesiskan tiga arus rujukan utama: pertama, evolusi Body of Knowledge (BOK) Teknik Industri global sebagaimana dirumuskan oleh berbagai perguruan tinggi rujukan dan lembaga akreditasi rekayasa; kedua, kebijakan kurikulum nasional Indonesia yakni Outcome-Based Education (OBE), Merdeka Belajar–Kampus Merdeka (MBKM), dan skema akreditasi LAM Teknik; serta ketiga, proyeksi kebutuhan keterampilan masa depan menurut laporan Future of Jobs 2025 dari World Economic Forum dan paradigma Industry 5.0 yang human-centric, berkelanjutan, dan resilien. Melalui pendekatan design-based conceptual research, artikel ini mengusulkan struktur kurikulum delapan semester yang mengintegrasikan literasi data dan AI sejak semester awal, memperkenalkan sejumlah mata kuliah baru — di antaranya Kecerdasan Buatan untuk Sistem Industri, Etika dan Tata Kelola AI, Digital Twin dan Simulasi Cerdas, serta Kolaborasi Manusia-AI dalam Sistem Sosioteknikal — sekaligus memperkuat kompetensi inti Teknik Industri yang relatif tidak tergantikan oleh otomasi, yaitu perancangan sistem, pengambilan keputusan multikriteria, dan pemahaman faktor manusia. Hasil kajian menegaskan bahwa redesain kurikulum bukan sekadar penambahan mata kuliah komputasi, melainkan rekonstruksi paradigma pembelajaran menuju pendekatan berbasis proyek, kemitraan industri yang lebih erat, dan penguatan kemampuan metakognitif mahasiswa agar mampu memperbarui kompetensinya secara mandiri sepanjang karier.
Kata kunci: kurikulum Teknik Industri; kecerdasan buatan; Industry 5.0; Outcome-Based Education; Merdeka Belajar Kampus Merdeka.
ABSTRACT
The rapid diffusion of generative and predictive artificial intelligence has reshaped nearly every stage of the industrial value chain, from product design and production planning to quality assurance and supply chain management. This shift places structural pressure on Industrial Engineering programs, which have historically been anchored in classical operations research, ergonomics, and production system management, yet are now expected to prepare graduates capable of collaborating with intelligent systems and acting as designer-orchestrators of algorithms embedded within sociotechnical systems. This conceptual article develops a framework and content proposal for an Industrial Engineering curriculum responsive to the AI era by synthesizing three reference streams: the evolving global Industrial Engineering Body of Knowledge, Indonesia's national curriculum policies (Outcome-Based Education, the Merdeka Belajar–Kampus Merdeka scheme, and LAM Teknik accreditation), and future-skill projections from the World Economic Forum's Future of Jobs Report 2025 together with the human-centric Industry 5.0 paradigm. Using a design-based conceptual research approach, the article proposes an eight-semester curriculum structure that embeds data and AI literacy from the early semesters, introduces new courses, and strengthens core competencies that remain largely irreplaceable by automation. The study concludes that curriculum redesign is not merely the addition of computational courses but a reconstruction of the learning paradigm toward project-based learning, closer industry partnership, and stronger metacognitive capacity for lifelong competency renewal.
Keywords: Industrial Engineering curriculum; artificial intelligence; Industry 5.0; Outcome-Based Education; Merdeka Belajar Kampus Merdeka.
1. PENDAHULUAN
Disiplin Teknik Industri lahir dari kebutuhan untuk mengelola kompleksitas sistem produksi pada awal abad ke-20, dengan Frederick Taylor dan Frank serta Lillian Gilbreth sebagai peletak dasar studi waktu dan gerak, kemudian berkembang melalui riset operasi pada Perang Dunia II, manajemen kualitas pada dekade 1980-an, dan rekayasa sistem terintegrasi pada awal abad ke-21. Sepanjang evolusinya, kurikulum Teknik Industri senantiasa memperbarui diri mengikuti transformasi cara manusia mengorganisasi produksi dan jasa. Namun demikian, transformasi yang tengah berlangsung saat ini — yakni difusi kecerdasan buatan generatif dan analitik prediktif ke hampir seluruh fungsi rekayasa industri — memiliki karakter yang berbeda secara kualitatif dari gelombang perubahan sebelumnya, karena AI tidak sekadar mengotomasi tugas fisik atau tugas administratif rutin, melainkan mulai mengambil alih sebagian pekerjaan kognitif yang selama ini dianggap sebagai inti kompetensi seorang sarjana teknik industri: menganalisis data, membangun model optimasi, merancang tata letak, hingga menyusun jadwal produksi.
Berbagai laporan mutakhir menegaskan skala perubahan ini. Laporan Future of Jobs Report 2025 yang disusun oleh World Economic Forum berdasarkan survei terhadap lebih dari seribu pemberi kerja global yang mewakili lebih dari empat belas juta pekerja pada dua puluh dua klaster industri menyimpulkan bahwa keterampilan AI dan big data menempati posisi teratas dalam daftar keterampilan yang meningkat pesat kepentingannya, diikuti oleh keterampilan jaringan dan keamanan siber serta literasi teknologi (World Economic Forum, 2025). Laporan yang sama memproyeksikan bahwa sembilan puluh dua juta peran kerja akan tergeser oleh tren teknologi dan struktural dalam lima tahun ke depan, sementara seratus tujuh puluh juta peran baru akan tercipta, sehingga terjadi penambahan bersih tujuh puluh delapan juta lapangan kerja secara global. Para pemberi kerja memperkirakan bahwa tiga puluh sembilan persen keterampilan inti yang dibutuhkan pekerja akan berubah pada tahun 2030 (World Economic Forum, 2025). Bagi program studi Teknik Industri, temuan ini memiliki implikasi langsung: kurikulum yang dirancang untuk kebutuhan pasar kerja sepuluh tahun lalu berisiko besar menghasilkan lulusan yang kompeten secara teknis namun tertinggal secara struktural.
Di sisi lain, wacana keilmuan rekayasa global juga telah bergeser dari paradigma Industry 4.0 menuju paradigma Industry 5.0. Komisi Eropa, melalui dokumen kebijakan yang disusun oleh Direktorat Jenderal Riset dan Inovasi, merumuskan Industry 5.0 sebagai paradigma yang melengkapi — bukan menggantikan — Industry 4.0 dengan menempatkan riset dan inovasi sebagai penggerak transisi menuju industri Eropa yang berkelanjutan, human-centric, dan resilien, sekaligus mengalihkan orientasi nilai dari kepentingan pemegang saham semata menuju nilai bagi seluruh pemangku kepentingan (European Commission, Directorate-General for Research and Innovation, 2021). Premis mendasar paradigma ini adalah pembalikan pertanyaan: bukan lagi "apa yang dapat kita lakukan dengan teknologi baru", melainkan "apa yang dapat dilakukan teknologi untuk kesejahteraan manusia" (European Commission, 2021). Pergeseran cara pandang ini menuntut agar kurikulum Teknik Industri tidak semata mengajarkan penguasaan alat AI, tetapi juga membentuk kemampuan evaluatif dan etis mahasiswa dalam menempatkan AI secara proporsional di dalam sistem kerja yang tetap berpusat pada manusia.
Bukan lagi “apa yang dapat kita lakukan dengan teknologi baru”, melainkan “apa yang dapat dilakukan teknologi untuk kesejahteraan manusia” — pergeseran cara pandang inilah yang harus menjiwai setiap mata kuliah baru berbasis AI dalam kurikulum Teknik Industri. — diadaptasi dari European Commission (2021)
Konteks Indonesia menambah lapisan kompleksitas tersendiri. Kebijakan Merdeka Belajar–Kampus Merdeka (MBKM) yang ditetapkan melalui Peraturan Menteri Pendidikan dan Kebudayaan Nomor 3 Tahun 2020 memberi mahasiswa hak untuk menempuh pembelajaran di luar program studinya, baik melalui magang, riset, proyek kemanusiaan, maupun wirausaha, dengan konversi hingga dua puluh atau bahkan empat puluh satuan kredit semester (SKS) (Kemendikbud, 2020, sebagaimana diuraikan dalam dokumen kurikulum berbagai program studi Teknik Industri, termasuk di Universitas Syiah Kuala dan Universitas Islam Indonesia). Kebijakan ini berjalan beriringan dengan penerapan kurikulum berbasis Outcome-Based Education (OBE), yakni kurikulum yang menempatkan capaian pembelajaran lulusan sebagai titik tolak perancangan, bukan sekadar daftar materi yang harus disampaikan (SEVIMA, 2024; High Tech Teacher Indonesia). Program studi Teknik Industri di berbagai perguruan tinggi Indonesia, misalnya sebagaimana didokumentasikan dalam buku panduan kurikulum Program Studi Teknik Industri Universitas Buddhi Dharma, telah merujuk pada Body of Knowledge (BOK) Teknik Industri dan matriks penilaian akreditasi LAM Teknik dalam menyusun capaian pembelajaran lulusannya. Namun demikian, penelusuran terhadap sejumlah dokumen kurikulum program studi Teknik Industri di Indonesia memperlihatkan bahwa integrasi literasi AI ke dalam struktur mata kuliah inti masih bersifat parsial dan belum sepenuhnya sistematis, sering kali baru berupa satu mata kuliah pilihan tunggal alih-alih rekonstruksi menyeluruh atas peta capaian pembelajaran.
Pengalaman sejumlah perguruan tinggi teknik terkemuka menunjukkan arah reformasi yang lebih menyeluruh. Northwestern University mengumumkan pembaruan kurikulum inti sarjana tekniknya secara komprehensif serta peluncuran program gelar baru dan jurusan AI, dengan alasan bahwa kecerdasan buatan membentuk ulang perdagangan dan industri sehingga pendidikan rekayasa harus turut berevolusi (Northwestern Engineering, 2026). Tianjin University, salah satu pusat pendidikan Teknik Industri di Tiongkok, menegaskan bahwa disiplin ini bersifat sangat interdisipliner karena berfokus pada sistem yang terdiri atas sumber daya manusia, material, peralatan, energi, dan informasi, sehingga insinyur industri masa depan harus menguasai baik optimasi sistem tradisional maupun teknologi mutakhir agar mampu berkembang dalam transformasi yang digerakkan AI (Tianjin University). Sementara itu, kajian yang dipublikasikan dalam Journal of Industrial Information Integration menegaskan perlunya “memikirkan ulang pendidikan rekayasa pada era Industry 5.0” (Gürdür Broo, Kaynak, & Sait, 2022), sebuah argumen yang relevan bagi konteks Indonesia yang tengah menyusun kembali kurikulum berbasis OBE.
Berdasarkan latar belakang tersebut, artikel ini bertujuan menjawab tiga pertanyaan pokok. Pertama, kompetensi apa yang secara spesifik dibutuhkan oleh lulusan Teknik Industri agar relevan dengan tuntutan era AI tanpa kehilangan jati diri keilmuan Teknik Industri itu sendiri? Kedua, bagaimana struktur dan muatan isi kurikulum delapan semester dapat dirancang agar kompetensi tersebut terintegrasi secara koheren, bukan sekadar ditambahkan sebagai mata kuliah pelengkap? Ketiga, strategi pedagogis dan kelembagaan apa yang diperlukan agar implementasi kurikulum tersebut dapat berjalan secara realistis di lingkungan perguruan tinggi Indonesia, dengan mempertimbangkan keterbatasan sumber daya dosen, laboratorium, dan kemitraan industri? Melalui penjabaran ketiga pertanyaan tersebut, artikel ini diharapkan memberi kontribusi konseptual sekaligus praktis bagi pengelola program studi Teknik Industri yang tengah melakukan peninjauan kurikulum periodik.
1.1 Urgensi bagi Konteks Indonesia
Urgensi redesain kurikulum Teknik Industri di Indonesia perlu dibaca dalam konteks ganda yang saling bertautan. Di satu sisi, pertumbuhan jumlah lulusan sarjana di Indonesia dalam satu dekade terakhir tidak selalu diimbangi oleh penyerapan tenaga kerja yang sepadan, sebagaimana tercermin dalam berbagai kajian mengenai fenomena pengangguran terdidik yang terus menjadi sorotan kebijakan ketenagakerjaan nasional. Kondisi ini menuntut agar kurikulum perguruan tinggi, termasuk Teknik Industri, tidak hanya menghasilkan lulusan yang banyak secara kuantitas, tetapi juga relevan secara kualitas dengan kebutuhan pasar kerja yang tengah bertransformasi akibat AI. Di sisi lain, transformasi ekonomi digital Indonesia — mencakup pertumbuhan sektor fintech, pekerjaan berbasis platform (gig economy), dan penerapan moderasi konten berbasis AI pada berbagai platform digital — membuka ruang kerja baru yang sesungguhnya sangat relevan dengan kompetensi inti Teknik Industri, yaitu perancangan sistem kerja dan optimasi proses, hanya saja kini beroperasi pada domain digital alih-alih domain manufaktur fisik semata.
Kesenjangan antara kompetensi lulusan Teknik Industri konvensional dan kebutuhan sektor ekonomi digital semacam ini berisiko menimbulkan mismatch baru: lulusan yang piawai merancang tata letak pabrik namun tidak memiliki bekal memadai untuk merancang sistem manajemen kerja bagi mitra pengemudi pada platform transportasi daring, atau lulusan yang menguasai statistik kualitas klasik namun belum terpapar pada mekanisme kerja sistem penilaian kredit berbasis algoritme yang kini banyak digunakan lembaga jasa keuangan digital. Kesenjangan semacam ini menegaskan bahwa perluasan cakupan Teknik Industri ke ranah digital bukan sekadar mengikuti tren global, melainkan menjawab kebutuhan struktural pasar kerja domestik yang tengah bertransformasi secara cepat. Dengan demikian, usulan kurikulum dalam artikel ini secara sengaja dirancang agar mata kuliah baru berbasis AI tidak hanya relevan bagi sektor manufaktur konvensional, tetapi juga bagi sektor ekonomi digital yang kian menyerap lulusan Teknik Industri di Indonesia.
2. TINJAUAN PUSTAKA
2.1 Evolusi Body of Knowledge Teknik Industri
Body of Knowledge (BOK) Teknik Industri secara konvensional dirumuskan sebagai kumpulan domain pengetahuan yang mencakup, antara lain, desain dan pengukuran kerja, riset dan analisis operasi, ekonomi teknik, rekayasa fasilitas dan manajemen energi, teknik kualitas dan reliabilitas, faktor ergonomi dan manusia, teknik dan manajemen operasi, manajemen rantai pasok, manajemen teknik, keselamatan kerja, teknik informasi, desain dan pengembangan produk, serta desain dan rekayasa sistem. Ketiga belas domain ini — sebagaimana tercermin pula dalam ruang lingkup jurnal-jurnal rekayasa industri di Indonesia — menunjukkan bahwa Teknik Industri sejak awal merupakan disiplin integratif yang menjembatani rekayasa teknis dengan ilmu manajemen dan ilmu perilaku. Karakter integratif inilah yang menjadi modal penting ketika disiplin ini berhadapan dengan AI, karena kemampuan memandang sistem secara holistik — bukan sekadar menguasai satu algoritme tertentu — merupakan kompetensi yang secara struktural sulit digantikan oleh otomasi (Patel et al., 2021).
Sejalan dengan berkembangnya konsep Industry 4.0 pada dekade 2010-an, sejumlah program studi Teknik Industri di berbagai negara mulai memperluas BOK dengan memasukkan literasi data, dasar-dasar pemrograman, dan simulasi berbasis komputer. Namun, kajian yang dipublikasikan dalam Journal of Industrial Information Integration menunjukkan bahwa perluasan tersebut umumnya masih bersifat aditif — menambahkan mata kuliah tanpa merombak struktur capaian pembelajaran secara menyeluruh — sehingga belum sepenuhnya menjawab tuntutan Industry 5.0 yang menghendaki integrasi nilai keberlanjutan, human-centricity, dan resiliensi ke dalam desain sistem itu sendiri, bukan sekadar ke dalam satu mata kuliah etika terpisah (Gürdür Broo, Kaynak, & Sait, 2022).
2.2 Kecerdasan Buatan dalam Pendidikan Rekayasa
Literatur pendidikan rekayasa dalam beberapa tahun terakhir menunjukkan pertumbuhan pesat kajian mengenai integrasi AI, khususnya AI generatif, ke dalam pembelajaran. Johri dan koleganya, dalam artikel di Journal of Engineering Education, menegaskan bahwa kemunculan AI generatif memaksa pendidik rekayasa untuk meninjau ulang asumsi dasar mengenai apa yang perlu diajarkan dan bagaimana penilaian pembelajaran dirancang, karena banyak tugas rutin — menulis kode dasar, menyusun laporan teknis standar, bahkan menyelesaikan soal-soal terstruktur — kini dapat dikerjakan sebagian oleh sistem AI generatif (Johri et al., 2023). Chiu memperkuat argumen ini dengan menyerukan agenda riset lanjutan mengenai transformasi pendidikan tinggi melalui AI generatif, termasuk kebutuhan mendesain ulang metode asesmen agar tetap sahih di tengah ketersediaan alat bantu AI (Chiu, 2024).
Kajian tinjauan sistematis yang dipublikasikan di International Journal of Educational Technology in Higher Education menyerukan peningkatan perhatian terhadap etika, kolaborasi, dan kerigoran metodologis dalam penelitian AI di pendidikan tinggi (Bond et al., 2024), sebuah peringatan yang relevan agar euforia terhadap AI tidak menjerumuskan perguruan tinggi pada penerapan yang dangkal. Sementara itu, konsep “literasi AI” — yakni kemampuan memahami, mengevaluasi, dan menggunakan sistem AI secara kritis, bukan sekadar mengoperasikannya — telah dikaji secara khusus oleh Laupichler dan koleganya sebagai kompetensi generik yang perlu dibentuk lintas disiplin di pendidikan tinggi dan pendidikan orang dewasa (Laupichler et al., 2022), serta oleh Almatrafi, Johri, dan Lee melalui tinjauan sistematis atas konseptualisasi dan asesmen literasi AI pada rentang tahun 2019 hingga 2023 (Almatrafi, Johri, & Lee, 2024).
Khusus pada ranah Teknik Industri dan rekayasa manufaktur, kajian yang dipresentasikan pada forum American Society for Engineering Education menyoroti bahwa penggunaan AI generatif dalam pendidikan Teknik Industri didorong bukan hanya oleh kebutuhan pedagogis internal, melainkan juga oleh pengaruh AI yang terus meluas di industri, sehingga pendekatan instruksional yang selama ini digunakan dosen perlu ditinjau ulang secara kritis (forum ASEE, 2025). Studi tinjauan sistematis berbasis kerangka PRISMA terhadap dua ratus dua puluh delapan artikel mengenai AI dalam pendidikan Teknik Mesin menemukan bahwa penerapan AI di ranah ini terutama mencakup pembelajaran personalisasi, sistem tutor cerdas, digitalisasi gambar teknik, penguatan simulasi dan asesmen, serta peningkatan motivasi belajar mahasiswa (kajian di Frontiers in Education, 2024), pola yang secara analogis relevan bagi Teknik Industri mengingat kedekatan kedua disiplin dalam pengajaran perancangan sistem dan proses.
Riset yang dipublikasikan pada Frontiers in Education tahun 2025 mengenai kurikulum dan instruksi pendidikan rekayasa berbasis first principles dalam era digital-intelligence menegaskan bahwa perguruan tinggi dituntut merekonstruksi model pembinaan talenta melalui pemanfaatan teknologi untuk mencocokkan sumber daya pengajaran secara presisi, merancang jalur belajar yang personal, dan memperdalam kolaborasi industri-pendidikan (Xiaotao & Linwei, 2025). Studi yang sama mengutip temuan empiris bahwa algoritme AI dapat meningkatkan efisiensi pembelajaran personalisasi pada pendidikan rekayasa hingga tiga puluh tujuh persen pada kelompok eksperimen (Anderson & Dron, 2022, sebagaimana dikutip dalam Xiaotao & Linwei, 2025), meskipun angka spesifik semacam ini perlu dibaca secara hati-hati mengingat variasi konteks penelitian.
2.3 Kebijakan Kurikulum Pendidikan Tinggi Indonesia
Reformasi kurikulum pendidikan tinggi Indonesia dalam dekade terakhir bertumpu pada dua pilar kebijakan yang saling melengkapi. Pilar pertama adalah Outcome-Based Education (OBE), yakni pendekatan kurikulum yang berfokus pada hasil yang dicapai mahasiswa pada akhir masa perkuliahan, bukan semata pada materi yang diajarkan di kelas, sehingga penyusunan kurikulum dimulai dari perumusan Profil Lulusan dan Capaian Pembelajaran Lulusan (CPL) yang kemudian diturunkan menjadi Capaian Pembelajaran Mata Kuliah (SEVIMA, 2024). Pilar kedua adalah kebijakan Merdeka Belajar–Kampus Merdeka (MBKM) yang memberi mahasiswa kesempatan menempuh pembelajaran di luar program studi, termasuk magang bersertifikat, riset, proyek kemanusiaan, pertukaran mahasiswa, dan kewirausahaan, dengan konversi SKS yang diatur oleh masing-masing program studi (dokumen kurikulum Teknik Industri Universitas Syiah Kuala; Teknik Elektro Universitas Islam Indonesia).
Naskah akademik kurikulum sejumlah program studi di Indonesia — misalnya dokumen kurikulum Program Studi Teknologi Informasi UIN Walisongo Semarang — secara eksplisit menyebut tuntutan era Industri 4.0 sebagai salah satu pendorong utama peninjauan kurikulum, di samping tuntutan implementasi OBE dan MBKM sebagaimana diamanatkan Peraturan Menteri Pendidikan dan Kebudayaan Nomor 3 Tahun 2020 tentang Standar Nasional Pendidikan Tinggi. Pola yang serupa juga tampak pada dokumen kurikulum berbasis OBE Program Studi Ilmu Kelautan Universitas Maritim Raja Ali Haji, yang menegaskan bahwa evaluasi kurikulum perlu melibatkan umpan balik dari mahasiswa, dosen, alumni, dan mitra industri secara berkelanjutan melalui kuesioner, wawancara mendalam, dan diskusi kelompok terfokus. Khusus pada disiplin Teknik Industri, buku panduan kurikulum Program Studi Teknik Industri Universitas Buddhi Dharma tahun 2022 secara eksplisit merujuk pada Body of Knowledge (BOK) Teknik Industri dan matriks penilaian evaluasi diri LAM Teknik sebagai kerangka acuan penyusunan capaian pembelajaran lulusan, sebuah praktik baik yang relevan untuk direplikasi dan diperluas dengan muatan AI pada penelitian ini.
Meskipun kerangka kebijakan OBE dan MBKM pada dasarnya cukup fleksibel untuk mengakomodasi muatan AI — misalnya melalui skema magang bersertifikat di perusahaan teknologi atau riset kolaboratif dengan pusat studi AI — penelusuran atas berbagai dokumen kurikulum program studi Teknik Industri di Indonesia menunjukkan bahwa integrasi AI ke dalam mata kuliah inti (bukan hanya mata kuliah pilihan) masih beragam antarperguruan tinggi dan belum memiliki kerangka acuan bersama yang eksplisit. Kesenjangan inilah yang berupaya diisi oleh artikel ini melalui perumusan kerangka konseptual dan usulan struktur kurikulum yang lebih rinci.
2.4 Industry 5.0 dan Kebutuhan Keterampilan Masa Depan
Istilah Industry 5.0 pertama kali dirumuskan oleh Komisi Eropa melalui dokumen kebijakan setebal empat puluh delapan halaman berjudul “Industry 5.0 – Towards a sustainable, human-centric and resilient European industry” yang diterbitkan pada Januari 2021, hasil dari serangkaian diskusi lokakarya yang melibatkan berbagai organisasi riset dan teknologi serta lembaga pendanaan di Eropa (Breque, De Nul, & Petridis, 2021). Dokumen tersebut menegaskan tiga nilai inti yang membedakan Industry 5.0 dari Industry 4.0: keberlanjutan (sustainability), yakni pengembangan sistem produksi berbasis energi terbarukan dan proses sirkular untuk menekan emisi karbon; sentralitas manusia (human-centricity), yakni penempatan kesejahteraan pekerja industri di pusat proses produksi; dan resiliensi (resilience), yakni penguatan kapasitas sektor industri menghadapi disrupsi mendadak sebagaimana terjadi pada pandemi (European Commission, Directorate-General for Research and Innovation, 2021).
Implikasi paradigma Industry 5.0 terhadap kurikulum Teknik Industri bersifat mendalam karena menuntut agar mata kuliah berbasis AI tidak diajarkan sebagai keterampilan teknis yang netral nilai, melainkan senantiasa disertai kerangka evaluatif mengenai dampaknya terhadap pekerja, lingkungan, dan ketahanan sistem. Sementara itu, dari sisi proyeksi pasar kerja, Future of Jobs Report 2025 World Economic Forum menegaskan bahwa keterampilan teknologi diproyeksikan tumbuh lebih cepat dibanding kategori keterampilan lain dalam lima tahun mendatang, dengan AI dan big data menempati posisi puncak, diikuti jaringan dan keamanan siber serta literasi teknologi, sementara berpikir kreatif, ketahanan, fleksibilitas, keluwesan, rasa ingin tahu, dan pembelajaran sepanjang hayat juga meningkat kepentingannya (World Economic Forum, 2025). Laporan lanjutan World Economic Forum yang terbit menjelang akhir tahun 2025 menambahkan bahwa meskipun implementasi AI dan otomasi terus meningkat, banyak perusahaan tetap kesulitan mengisi posisi kerja tertentu, menandakan bahwa kelangkaan keterampilan yang dihadapi bersifat struktural, bukan sekadar siklikal, dan AI berpotensi memperbesar tantangan ini seiring semakin banyak tugas yang diambil alih sistem cerdas (World Economic Forum, 2025b).
Sembilan puluh dua juta peran kerja diproyeksikan tergeser oleh tren teknologi dalam lima tahun ke depan, namun seratus tujuh puluh juta peran baru akan tercipta — penambahan bersih tujuh puluh delapan juta lapangan kerja secara global. — World Economic Forum, Future of Jobs Report 2025
2.5 Sintesis dan Kesenjangan Penelitian
Sintesis atas keempat arus literatur di atas memperlihatkan tiga simpulan penting bagi perumusan kerangka kurikulum. Pertama, disiplin Teknik Industri memiliki modal integratif yang kuat — kemampuan memandang sistem secara holistik — yang perlu dipertahankan dan bahkan diperkuat, bukan digantikan, dalam desain kurikulum baru. Kedua, integrasi AI ke dalam kurikulum perlu dilakukan secara terstruktur pada level capaian pembelajaran lulusan (bukan sekadar penambahan mata kuliah pilihan), sejalan dengan semangat OBE yang telah dianut secara luas oleh perguruan tinggi Indonesia. Ketiga, muatan etika, keberlanjutan, dan sentralitas manusia sebagaimana ditekankan paradigma Industry 5.0 perlu terintegrasi ke dalam mata kuliah teknis itu sendiri, bukan hanya menjadi mata kuliah etika yang berdiri sendiri dan terpisah dari praktik perancangan sistem. Kesenjangan (research gap) yang coba diisi artikel ini adalah ketiadaan kerangka acuan yang cukup rinci — mencakup pemetaan capaian pembelajaran per semester, daftar mata kuliah baru beserta kompetensi utamanya, dan strategi pedagogisnya — yang secara spesifik menjembatani BOK Teknik Industri konvensional dengan tuntutan AI dan Industry 5.0 dalam konteks regulasi OBE-MBKM Indonesia.
Berdasarkan sintesis di atas, artikel ini berangkat dari premis bahwa kerangka kompetensi baru perlu dirumuskan tidak sebagai daftar mata kuliah tambahan yang berdiri sendiri, melainkan sebagai struktur yang terintegrasi dengan capaian pembelajaran lulusan program studi secara keseluruhan. Premis ini menjadi dasar metodologis bagi tahapan penyusunan kerangka konseptual dan usulan struktur kurikulum yang diuraikan pada bagian-bagian selanjutnya artikel ini.
2.6 Perbandingan Praktik Internasional
Perbandingan lintas negara memperlihatkan bahwa strategi integrasi AI ke dalam kurikulum rekayasa berbeda-beda bergantung pada konteks kelembagaan masing-masing perguruan tinggi, meskipun ketiganya bermuara pada tujuan yang serupa. Di Amerika Serikat, Northwestern University menempuh jalur reformasi yang relatif radikal dengan meluncurkan program gelar baru dan jurusan AI tersendiri sekaligus merombak kurikulum inti sarjana tekniknya secara menyeluruh, sebuah langkah yang disebut sebagai kemajuan paling signifikan sejak program Engineering First diperkenalkan lebih dari dua puluh lima tahun sebelumnya (Northwestern Engineering, 2026). Pendekatan semacam ini dimungkinkan oleh otonomi kelembagaan yang tinggi dan sumber daya yang relatif melimpah, namun sulit direplikasi secara langsung oleh sebagian besar perguruan tinggi di negara berkembang.
Di Tiongkok, pendekatan yang ditempuh Tianjin University lebih menonjolkan penguatan karakter interdisipliner Teknik Industri yang sudah ada sejak awal, dengan menegaskan bahwa disiplin ini secara inheren berurusan dengan sistem yang terdiri atas manusia, material, peralatan, energi, dan informasi, sehingga penambahan kompetensi AI dipandang sebagai kelanjutan alami dari watak interdisipliner tersebut, bukan sebagai lompatan ke arah disiplin baru (Tianjin University). Sementara itu, sejumlah institusi pendidikan vokasi dan politeknik di kawasan Asia Selatan menempuh jalur yang lebih pragmatis melalui penguatan laboratorium keterampilan industri dan skema kelas terbalik pada bidang AI, keamanan siber, robotika, dan bioteknologi, dipadukan dengan pembelajaran berbasis hackathon, magang, dan proyek industri (Automate.org, 2025). Kawasan Australia, pada gilirannya, menempuh pendekatan blended degree dan skema pemagangan (apprenticeship) yang menjembatani pendidikan akademik dengan pelatihan vokasional guna menutup kesenjangan keterampilan di tempat kerja, sebuah indikasi pergeseran orientasi dari penguasaan konsep semata menuju kompetensi pragmatis dan keterampilan lunak (Automate.org, 2025).
Ketiga model tersebut — reformasi struktural menyeluruh, penguatan karakter interdisipliner yang telah ada, dan penguatan jalur vokasional-pragmatis — menawarkan pelajaran penting bagi konteks Indonesia. Mengingat keragaman kapasitas kelembagaan perguruan tinggi Teknik Industri di Indonesia, mulai dari universitas riset besar hingga perguruan tinggi swasta dengan sumber daya terbatas, usulan kurikulum dalam artikel ini secara sengaja dirancang mengikuti logika kedua — penguatan karakter interdisipliner Teknik Industri yang telah ada — dipadukan dengan elemen jalur pragmatis ketiga melalui skema MBKM, alih-alih menempuh reformasi struktural radikal seperti model pertama yang membutuhkan sumber daya sangat besar untuk direalisasikan secara merata.
3. METODE PENULISAN
Artikel ini disusun melalui pendekatan design-based conceptual research, yakni pendekatan penulisan konseptual yang berorientasi pada penghasilan artefak rancangan (dalam hal ini, kerangka dan struktur kurikulum) melalui iterasi sintesis literatur, bukan melalui pengumpulan data primer di lapangan. Pendekatan ini lazim digunakan dalam kajian pengembangan kurikulum karena memungkinkan penulis menyusun usulan yang dapat diuji dan disempurnakan lebih lanjut oleh program studi yang menerapkannya (design-based research sebagaimana lazim diterapkan pada kajian kurikulum rekayasa).
Prosedur penulisan mencakup empat tahap. Tahap pertama adalah penelusuran literatur pada empat domain: dokumen kebijakan pendidikan tinggi Indonesia (Permendikbud, dokumen LAM Teknik, buku panduan kurikulum berbagai program studi Teknik Industri), publikasi ilmiah mengenai AI dalam pendidikan rekayasa pada jurnal terindeks (Journal of Engineering Education, Journal of Industrial Information Integration, Frontiers in Education, Computers and Education: Artificial Intelligence), laporan lembaga internasional mengenai proyeksi keterampilan masa depan (World Economic Forum), dan dokumen kebijakan mengenai Industry 5.0 (Komisi Eropa). Tahap kedua adalah ekstraksi dan pemetaan silang (cross-mapping) antara domain BOK Teknik Industri konvensional dengan kategori keterampilan masa depan yang diidentifikasi pada tahap pertama. Tahap ketiga adalah perumusan kerangka konseptual kompetensi lulusan sebagai jembatan antara BOK konvensional dan tuntutan baru. Tahap keempat adalah penyusunan usulan struktur kurikulum delapan semester berikut strategi implementasinya, yang kemudian ditinjau ulang secara internal terhadap konsistensi antarcapaian pembelajaran sebelum disajikan sebagai hasil akhir.
Kriteria pemilihan sumber rujukan pada tahap pertama mengutamakan tiga hal: kemutakhiran (diprioritaskan publikasi dan dokumen kebijakan tahun 2020 ke atas mengingat dinamika perkembangan AI yang sangat cepat), otoritatif (diprioritaskan publikasi pada jurnal terindeks, dokumen resmi lembaga internasional seperti World Economic Forum dan Komisi Eropa, serta dokumen kurikulum resmi program studi yang telah melalui proses akreditasi), dan relevansi kontekstual (diprioritaskan sumber yang secara eksplisit membahas pendidikan rekayasa atau Teknik Industri, bukan sekadar pembahasan AI secara umum). Sumber-sumber yang tidak memenuhi ketiga kriteria tersebut, misalnya opini populer tanpa rujukan empiris yang jelas, tidak dimasukkan sebagai dasar argumentasi utama artikel ini, meskipun beberapa di antaranya tetap digunakan sebagai ilustrasi tren umum sepanjang tidak menjadi dasar tunggal bagi klaim substantif.
4. KERANGKA KONSEPTUAL KOMPETENSI LULUSAN TEKNIK INDUSTRI ERA AI
Kerangka konseptual yang diusulkan dalam artikel ini membagi kompetensi lulusan Teknik Industri era AI ke dalam empat klaster yang saling berkaitan: klaster fondasi keilmuan Teknik Industri, klaster literasi dan penerapan AI, klaster kompetensi manusiawi (human competencies) yang menjadi pembeda dari mesin, dan klaster tata kelola serta etika. Tabel 1 menyajikan pemetaan keempat klaster tersebut beserta rujukan yang mendasarinya.
Klaster Kompetensi | Deskripsi dan Contoh Kompetensi | Rujukan Utama |
1. Fondasi Keilmuan Teknik Industri | Perancangan sistem kerja, riset operasi, ekonomi teknik, manajemen kualitas, ergonomi, manajemen rantai pasok — kompetensi inti yang menjadi identitas disiplin dan basis pengambilan keputusan yang tetap relevan di era AI. | BOK Teknik Industri; Patel et al. (2021) |
2. Literasi dan Penerapan AI | Pemahaman prinsip kerja machine learning dan AI generatif, kemampuan menyusun prompt dan mengevaluasi keluaran model, penerapan AI pada optimasi produksi, peramalan permintaan, pemeliharaan prediktif, dan digital twin. | Johri et al. (2023); Chiu (2024); Laupichler et al. (2022) |
3. Kompetensi Manusiawi | Berpikir kreatif, penalaran etis, kepemimpinan, komunikasi lintas fungsi, kemampuan memahami konteks sosial dan budaya kerja, ketahanan (resilience), dan keluwesan menghadapi ambiguitas. | World Economic Forum (2025); Automate.org (2025) |
4. Tata Kelola dan Etika | Kemampuan mengevaluasi bias algoritmik, dampak sosial otomasi terhadap tenaga kerja, akuntabilitas keputusan berbasis AI, serta penerapan kerangka desain berbasis nilai (value-based engineering) semacam IEEE 7000. | European Commission (2021); Automate.org (2025) |
Tabel 1. Empat klaster kompetensi lulusan Teknik Industri era AI (diolah penulis)
Klaster pertama menegaskan bahwa fondasi keilmuan Teknik Industri konvensional tidak boleh dikorbankan demi mata kuliah AI. Kemampuan merancang sistem kerja, menyusun model riset operasi, dan menghitung kelayakan ekonomi teknik justru menjadi semakin penting karena AI hanya efektif digunakan oleh insinyur yang memahami struktur masalah yang hendak dipecahkan; tanpa fondasi ini, penggunaan AI berisiko menjadi “black-box adoption” yang tidak dapat dipertanggungjawabkan secara teknis. Klaster kedua berfokus pada penguasaan praktis atas alat dan prinsip AI — bukan sekadar mengoperasikan aplikasi, melainkan memahami logika di baliknya sehingga mahasiswa mampu menilai kapan sebuah model layak dipercaya dan kapan tidak. Klaster ketiga menegaskan kompetensi yang secara konsisten disebut berbagai laporan sebagai keterampilan yang justru meningkat nilainya seiring meluasnya otomasi, karena semakin banyak tugas rutin diambil alih mesin, semakin tinggi premium terhadap kemampuan manusiawi yang unik seperti kreativitas dan penilaian kontekstual (World Economic Forum, 2025). Klaster keempat menjembatani ketiga klaster sebelumnya dengan kerangka nilai Industry 5.0, memastikan bahwa lulusan Teknik Industri tidak hanya piawai secara teknis tetapi juga mampu mempertanggungjawabkan implikasi sosial dari sistem yang dirancangnya.
Perlu ditegaskan bahwa keempat klaster ini tidak dimaksudkan sebagai kategori yang berdiri sendiri secara kaku, melainkan sebagai lensa analitis yang saling melengkapi ketika program studi merancang capaian pembelajaran suatu mata kuliah. Sebagai contoh, mata kuliah Digital Twin dan Simulasi Cerdas yang diusulkan pada bagian selanjutnya artikel ini pada dasarnya menyentuh ketiga klaster sekaligus: klaster fondasi Teknik Industri melalui prinsip pemodelan sistem produksi, klaster literasi AI melalui penerapan algoritme prediktif pada model simulasi, dan klaster kompetensi manusiawi melalui interpretasi hasil simulasi untuk pengambilan keputusan manajerial. Dengan demikian, kerangka empat klaster ini berfungsi lebih sebagai alat bantu perencanaan (planning heuristic) bagi tim penyusun kurikulum ketimbang sebagai struktur taksonomis yang mutually exclusive.
Keempat klaster ini kemudian diturunkan menjadi Capaian Pembelajaran Lulusan (CPL) tambahan yang melengkapi CPL konvensional program studi Teknik Industri yang telah merujuk pada BOK dan matriks LAM Teknik. Sebagai ilustrasi, CPL tambahan yang diusulkan meliputi: kemampuan mengevaluasi kelayakan teknis dan etis penerapan model AI pada suatu proses bisnis industri; kemampuan merancang eksperimen data untuk melatih dan memvalidasi model prediktif dalam konteks sistem produksi; dan kemampuan berkomunikasi lintas fungsi antara tim rekayasa, tim data science, dan manajemen puncak mengenai batasan serta potensi risiko sistem berbasis AI.
5. USULAN STRUKTUR DAN MUATAN ISI KURIKULUM
Bagian ini menyajikan usulan struktur kurikulum delapan semester program sarjana Teknik Industri yang mengintegrasikan keempat klaster kompetensi pada bagian sebelumnya. Struktur ini disusun dengan tetap mempertahankan proporsi total sekitar seratus empat puluh empat SKS sebagaimana lazim berlaku pada program sarjana di Indonesia, namun dengan realokasi sebagian SKS mata kuliah pilihan dan penyesuaian isi sejumlah mata kuliah wajib agar memuat literasi data dan AI sejak semester awal. Prinsip penyusunan mengikuti gagasan “integrasi bertahap” (progressive integration): semester awal menekankan fondasi matematis-komputasional dan pengenalan AI, semester tengah mengaplikasikan AI pada domain fungsional Teknik Industri, dan semester akhir mengintegrasikan seluruh kompetensi melalui proyek kapstone lintas disiplin.
5.1 Semester 1–2: Fondasi Matematis, Komputasional, dan Literasi AI Dasar
Pada dua semester awal, mata kuliah fondasi matematika dan sains dasar dipertahankan, namun mata kuliah pengantar komputasi diperluas cakupannya untuk mencakup dasar-dasar pemrograman berorientasi data, bukan sekadar pemrograman prosedural klasik. Mata kuliah baru Pengantar Literasi Data dan Kecerdasan Buatan diperkenalkan pada semester pertama sebagai mata kuliah wajib, bertujuan membangun kerangka berpikir kritis mahasiswa terhadap AI sebelum mereka mempelajari penerapannya secara teknis pada semester-semester berikutnya.
Kode | Mata Kuliah | SKS | Keterangan |
TI101 | Kalkulus dan Aljabar Linear untuk Rekayasa | 4 | Wajib — dipertahankan |
TI102 | Fisika Dasar dan Statika | 3 | Wajib — dipertahankan |
TI103 | Pengantar Teknik Industri | 2 | Wajib — diperbarui: menyisipkan sejarah evolusi BOK hingga Industry 5.0 |
TI104 | Pemrograman Komputasional dan Struktur Data | 3 | Wajib — diperluas: Python untuk analisis data |
TI105 | Pengantar Literasi Data dan Kecerdasan Buatan | 2 | BARU — wajib semester 1 |
TI201 | Statistika Rekayasa | 3 | Wajib — diperkuat statistika inferensial untuk data industri |
TI202 | Menggambar Teknik dan Pemodelan CAD | 2 | Wajib — dipertahankan |
TI203 | Material Teknik dan Proses Manufaktur | 3 | Wajib — dipertahankan |
TI204 | Ekonomi Teknik | 3 | Wajib — dipertahankan |
Tabel 2. Mata kuliah semester 1–2 (sel berwarna menandakan mata kuliah baru atau diperbarui signifikan)
5.2 Semester 3–4: Riset Operasi, Sistem Produksi, dan Fondasi Machine Learning
Pada semester ketiga dan keempat, mata kuliah riset operasi klasik — program linear, teori antrean, dan simulasi — dipertahankan sebagai fondasi pengambilan keputusan kuantitatif, namun disertai modul praktikum yang memperkenalkan pustaka optimasi berbasis Python sebagai pelengkap penghitungan manual. Mata kuliah baru Machine Learning untuk Sistem Industri diperkenalkan pada semester keempat, dengan prasyarat mata kuliah statistika rekayasa dan pemrograman komputasional pada semester sebelumnya, sehingga mahasiswa memiliki fondasi matematis yang memadai sebelum mempelajari algoritme pembelajaran mesin.
Kode | Mata Kuliah | SKS | Keterangan |
TI301 | Riset Operasi I: Optimasi Linear dan Integer | 3 | Wajib — praktikum ditambah pustaka optimasi Python |
TI302 | Analisis dan Perancangan Kerja | 3 | Wajib — dipertahankan, ditambah studi kasus computer vision untuk analisis gerak |
TI303 | Perencanaan dan Pengendalian Produksi | 3 | Wajib — dipertahankan |
TI304 | Proses Stokastik dan Teori Antrean | 3 | Wajib — dipertahankan |
TI401 | Riset Operasi II: Simulasi Sistem Diskret | 3 | Wajib — diperluas ke simulasi berbasis agen (agent-based) |
TI402 | Machine Learning untuk Sistem Industri | 3 | BARU — wajib semester 4 |
TI403 | Manajemen Kualitas dan Reliabilitas | 3 | Wajib — dipertahankan, ditambah modul predictive quality analytics |
TI404 | Manajemen Rantai Pasok | 3 | Wajib — dipertahankan |
Tabel 3. Mata kuliah semester 3–4
5.3 Semester 5–6: Penerapan AI Domain-Spesifik dan Human-AI Collaboration
Semester kelima dan keenam merupakan tahap aplikasi, ketika mahasiswa menerapkan literasi AI yang telah dibangun pada semester sebelumnya ke dalam domain fungsional Teknik Industri: perancangan tata letak dan simulasi pabrik, pemeliharaan prediktif, hingga manajemen rantai pasok cerdas. Pada tahap ini pula diperkenalkan dua mata kuliah baru yang menjadi ciri khas usulan kurikulum ini, yaitu Digital Twin dan Simulasi Cerdas serta Kolaborasi Manusia-AI dalam Sistem Sosioteknikal. Mata kuliah kedua ini secara khusus dirancang untuk menjawab klaster kompetensi manusiawi dan tata kelola, dengan memuat studi kasus mengenai desain peran kerja ketika sebagian tugas kognitif diambil alih sistem AI, termasuk isu psikologis penerimaan teknologi oleh pekerja.
Kode | Mata Kuliah | SKS | Keterangan |
TI501 | Perancangan Tata Letak dan Fasilitas Pabrik | 3 | Wajib — ditambah modul simulasi 3D berbasis AI |
TI502 | Digital Twin dan Simulasi Cerdas | 3 | BARU — wajib semester 5 |
TI503 | Ergonomi dan Faktor Manusia | 3 | Wajib — diperkuat kajian human-AI interaction |
TI504 | Manajemen Proyek Rekayasa | 2 | Wajib — dipertahankan |
TI601 | Kolaborasi Manusia-AI dalam Sistem Sosioteknikal | 3 | BARU — wajib semester 6 |
TI602 | Pemeliharaan Prediktif dan Analitik Andal | 3 | BARU/gabungan — menggantikan sebagian materi keandalan klasik |
TI603 | Manajemen Rantai Pasok Cerdas | 3 | Wajib — pembaruan dari Manajemen Rantai Pasok Lanjutan |
TI604 | Etika dan Tata Kelola Kecerdasan Buatan | 2 | BARU — wajib semester 6 |
Tabel 4. Mata kuliah semester 5–6
5.4 Semester 7–8: Integrasi Melalui MBKM, Mata Kuliah Pilihan, dan Kapstone
Semester ketujuh dirancang sebagai titik penuh bagi implementasi kebijakan MBKM, ketika mahasiswa dapat memilih menempuh magang bersertifikat pada perusahaan berbasis teknologi atau manufaktur cerdas, riset kolaboratif dengan pusat studi AI, atau proyek kewirausahaan berbasis solusi AI untuk industri kecil dan menengah, dengan konversi SKS mengikuti pedoman konversi yang telah lazim diterapkan oleh berbagai program studi Teknik Industri di Indonesia. Bagi mahasiswa yang memilih jalur reguler di dalam kampus, disediakan klaster mata kuliah pilihan yang memperdalam salah satu dari empat klaster kompetensi. Semester kedelapan dipusatkan pada penyelesaian tugas akhir atau proyek kapstone lintas disiplin yang mewajibkan mahasiswa mengintegrasikan kompetensi fondasi Teknik Industri dengan penerapan AI dalam satu studi kasus nyata, disertai laporan yang mengevaluasi dampak etis dan sosial dari rancangan yang diajukan.
Kode | Mata Kuliah | SKS | Keterangan |
TI701 | Jalur MBKM: Magang/Riset/Wirausaha Berbasis AI Industri | 20 | Opsional — konversi SKS sesuai pedoman MBKM |
TI702 | Metodologi Penelitian Teknik Industri | 2 | Wajib (jalur reguler) |
TI703 | Mata Kuliah Pilihan Klaster (mis. Analitik Rantai Pasok Lanjutan, Perancangan Produk Berbantuan AI, Keberlanjutan dan Ekonomi Sirkular) | 6 | Pilihan (jalur reguler) |
TI801 | Proyek Kapstone Lintas Disiplin: Rekayasa Sistem Industri Berbasis AI | 4 | BARU — menggantikan sebagian format tugas akhir konvensional |
TI802 | Seminar dan Publikasi Ilmiah | 2 | Wajib — dipertahankan |
TI803 | Kuliah Kerja Nyata / Pengabdian Masyarakat | 2 | Wajib — dipertahankan |
Tabel 5. Mata kuliah semester 7–8
Rekapitulasi atas kelima tabel di atas menunjukkan bahwa dari total mata kuliah wajib program sarjana Teknik Industri, terdapat tujuh mata kuliah yang benar-benar baru (Pengantar Literasi Data dan AI, Machine Learning untuk Sistem Industri, Digital Twin dan Simulasi Cerdas, Kolaborasi Manusia-AI dalam Sistem Sosioteknikal, Pemeliharaan Prediktif dan Analitik Andal, Etika dan Tata Kelola Kecerdasan Buatan, serta Proyek Kapstone Lintas Disiplin), sementara sepuluh mata kuliah eksisting mengalami pembaruan konten signifikan tanpa mengubah bobot SKS maupun posisi semesternya secara drastis. Pendekatan ini dipilih secara sengaja agar usulan kurikulum dapat diadopsi secara realistis oleh program studi yang sudah berjalan tanpa memerlukan perombakan struktur SKS secara total, sejalan dengan prinsip peninjauan kurikulum berkala yang lazim dianut perguruan tinggi Indonesia setiap empat hingga lima tahun.
5.5 Pemetaan Capaian Pembelajaran Lulusan terhadap Struktur Kurikulum
Konsistensi antara capaian pembelajaran lulusan (CPL) dan struktur mata kuliah merupakan prasyarat mutlak bagi kurikulum berbasis Outcome-Based Education. Tabel 6 menyajikan pemetaan silang antara empat klaster kompetensi yang dirumuskan pada bagian 4 dengan mata kuliah kunci pada tiap kelompok semester, sebagai instrumen bantu bagi tim pengembang kurikulum program studi dalam menyusun matriks CPL-Mata Kuliah (Course-to-PLO Matrix) yang lebih rinci sesuai format yang dipersyaratkan LAM Teknik.
Klaster Kompetensi | Semester 1–2 | Semester 3–4 | Semester 5–6 | Semester 7–8 |
Fondasi Teknik Industri | Diperkenalkan (dasar matematis) | Diperdalam (riset operasi) | Diterapkan (tata letak, ergonomi) | Diintegrasikan (kapstone) |
Literasi & Penerapan AI | Diperkenalkan (literasi dasar) | Diperdalam (machine learning) | Diterapkan (digital twin, prediktif) | Diintegrasikan (proyek AI-industri) |
Kompetensi Manusiawi | Belum ditekankan eksplisit | Mulai ditekankan (kerja tim proyek) | Diperdalam (human-AI collaboration) | Diuji (presentasi, komunikasi lintas fungsi) |
Tata Kelola & Etika | Disinggung sekilas (mata kuliah pengantar) | Belum menjadi fokus utama | Menjadi fokus utama (mata kuliah etika AI) | Dievaluasi (laporan dampak etis kapstone) |
Tabel 6. Pemetaan progresi empat klaster kompetensi sepanjang delapan semester (diolah penulis)
Pola progresi pada Tabel 6 memperlihatkan bahwa keempat klaster kompetensi tidak diajarkan secara paralel dengan bobot yang sama pada setiap semester, melainkan mengikuti logika pentahapan yang saling menguatkan. Klaster fondasi Teknik Industri dan klaster literasi AI berkembang secara simetris sejak semester awal karena keduanya memerlukan waktu pematangan yang panjang, sementara klaster kompetensi manusiawi dan klaster tata kelola-etika sengaja ditempatkan menguat pada paruh kedua masa studi, ketika mahasiswa telah memiliki cukup pengalaman teknis untuk memahami konsekuensi sosial dari rancangan yang mereka susun. Penundaan ini bukan berarti mengabaikan pentingnya kedua klaster tersebut pada tahap awal, melainkan pengakuan bahwa penalaran etis yang bermakna memerlukan pemahaman teknis yang memadai sebagai basis pertimbangan, sejalan dengan argumen bahwa kerigoran metodologis dan etis perlu dibangun secara bertahap, bukan diperkenalkan secara dangkal di permulaan studi (Bond et al., 2024).
6. STRATEGI IMPLEMENTASI DAN PENDEKATAN PEDAGOGIS
6.1 Pembelajaran Berbasis Proyek dan Studi Kasus Industri
Penerapan mata kuliah baru berbasis AI menuntut pergeseran metode pengajaran dari ceramah searah menuju pembelajaran berbasis proyek (project-based learning) yang melibatkan data riil dari mitra industri. Pengalaman implementasi kurikulum berbasis AI di Tianjin University menunjukkan bahwa mahasiswa Teknik Industri perlu dilatih menguasai baik optimasi sistem tradisional maupun teknologi mutakhir secara simultan melalui proyek terapan, bukan melalui mata kuliah yang terpisah-pisah (Tianjin University). Sejalan dengan itu, tren pendidikan rekayasa di berbagai kawasan — misalnya penerapan kelas terbalik (flipped classroom) dan laboratorium keterampilan berbasis industri di sejumlah politeknik di India, atau model gelar terpadu dan skema magang di Australia — menunjukkan pergeseran umum menuju kompetensi pragmatis dan keterampilan lunak, bukan hanya penguasaan konsep semata (Automate.org, 2025).
Studi kasus yang digunakan pada mata kuliah Machine Learning untuk Sistem Industri, misalnya, sebaiknya bersumber dari data produksi riil — meskipun telah dianonimkan — yang diperoleh melalui kemitraan dengan industri manufaktur maupun perusahaan rintisan teknologi. Pendekatan ini konsisten dengan temuan bahwa integrasi AI-enabled dalam kurikulum pendidikan-industri untuk manufaktur cerdas perlu melibatkan pemangku kepentingan industri secara aktif dalam proses asesmen pembelajaran, karena keterlibatan yang terbatas berisiko melemahkan validitas dan relevansi capaian pembelajaran terhadap kebutuhan industri riil (kajian Proceedings of the International Conference on Artificial Intelligence and Education, 2025).
6.2 Kerangka Tiga Dimensi: Pengetahuan, Kompetensi, dan Literasi
Sejalan dengan kerangka empat klaster yang diusulkan pada bagian sebelumnya, strategi implementasi pembelajaran dapat merujuk pada kerangka tiga dimensi pembelajaran yang dikembangkan dalam studi mengenai kursus integrasi industri-pendidikan berbasis AI untuk manufaktur cerdas, yang mencakup dimensi pengetahuan (penguasaan teori dasar dan pengetahuan khusus terkait manufaktur cerdas), dimensi kompetensi (kemampuan menerapkan pengetahuan tersebut dalam pemecahan masalah nyata), dan dimensi literasi (kemampuan reflektif dan etis dalam menggunakan teknologi) (Proceedings of the International Conference on Artificial Intelligence and Education, 2025). Kerangka tiga dimensi ini dapat diadaptasi menjadi rubrik penilaian yang konsisten di seluruh mata kuliah baru berbasis AI dalam kurikulum yang diusulkan, sehingga penilaian tidak hanya berhenti pada aspek teknis semata.
6.3 Penguatan Kapasitas Dosen dan Kemitraan Industri
Keberhasilan implementasi kurikulum ini sangat bergantung pada kesiapan dosen pengampu mata kuliah baru. Program studi perlu menyelenggarakan program peningkatan kapasitas dosen secara bertahap, termasuk melalui pelatihan bersertifikat, keikutsertaan dalam program sabbatical di industri, atau kolaborasi riset dengan pusat kecerdasan buatan di perguruan tinggi lain. Selain itu, kemitraan dengan industri perlu diperluas melampaui sekadar penyediaan tempat magang, menuju kolaborasi penyusunan silabus mata kuliah baru, penyediaan data untuk studi kasus, serta keterlibatan praktisi sebagai dosen tamu atau co-supervisor proyek kapstone. Skema magang bersertifikat dalam kerangka MBKM dapat dimanfaatkan sebagai jembatan formal bagi kemitraan semacam ini, mengingat kebijakan tersebut memang dirancang untuk memfasilitasi konversi pembelajaran di luar kampus menjadi bagian resmi kurikulum (dokumen kurikulum Teknik Industri Universitas Syiah Kuala).
Secara lebih konkret, mekanisme kemitraan yang dapat ditempuh mencakup pembentukan dewan penasihat industri (industry advisory board) yang bertemu secara berkala, misalnya dua kali setahun, untuk meninjau kesesuaian silabus mata kuliah berbasis AI dengan perkembangan kebutuhan industri terkini; penyelenggaraan lokakarya bersama (joint workshop) antara dosen dan praktisi untuk menyusun studi kasus baru setiap semester; serta skema dosen praktisi (practitioner-in-residence) yang memungkinkan profesional industri mengampu sebagian sesi perkuliahan pada mata kuliah aplikatif seperti Machine Learning untuk Sistem Industri atau Manajemen Rantai Pasok Cerdas. Ketiga mekanisme ini relatif dapat diterapkan tanpa memerlukan perubahan regulasi baru, karena seluruhnya dapat diakomodasi melalui skema kerja sama tridarma perguruan tinggi dan program dosen tamu yang telah lazim berjalan di berbagai perguruan tinggi Indonesia.
6.4 Asesmen yang Tahan terhadap AI Generatif
Kehadiran AI generatif yang mampu menghasilkan jawaban tertulis dan kode pemrograman secara instan menuntut program studi merancang ulang metode asesmen agar tetap sahih dalam mengukur capaian pembelajaran mahasiswa, sebagaimana ditegaskan oleh agenda riset yang diusulkan Chiu mengenai transformasi pendidikan tinggi melalui AI generatif (Chiu, 2024). Strategi asesmen yang direkomendasikan meliputi kombinasi antara ujian lisan berbasis studi kasus, presentasi proyek dengan sesi tanya-jawab mendalam, portofolio proses (bukan hanya produk akhir) yang mendokumentasikan iterasi penyelesaian masalah, serta penilaian atas kemampuan mahasiswa mengevaluasi secara kritis keluaran AI generatif alih-alih sekadar menghasilkannya.
6.5 Peta Jalan Implementasi Bertahap
Mengingat besarnya cakupan perubahan yang diusulkan, implementasi kurikulum ini sebaiknya tidak dilakukan secara serentak pada satu angkatan, melainkan melalui peta jalan tiga tahun yang memungkinkan program studi menyesuaikan diri secara bertahap. Tahun pertama difokuskan pada penyiapan fondasi: revisi dokumen kurikulum dan CPL secara formal melalui mekanisme rapat program studi dan konsultasi dengan LAM Teknik, pelatihan awal dosen pengampu mata kuliah baru, serta perintisan kemitraan dengan minimal satu mitra industri untuk penyediaan data studi kasus. Pada tahap ini, mata kuliah baru yang risikonya paling rendah untuk diperkenalkan lebih dahulu adalah Pengantar Literasi Data dan Kecerdasan Buatan pada semester pertama, karena sifatnya yang konseptual dan tidak memerlukan infrastruktur komputasi berat.
Tahun kedua memperluas implementasi ke mata kuliah aplikatif pada semester tengah, yaitu Machine Learning untuk Sistem Industri, Digital Twin dan Simulasi Cerdas, serta Kolaborasi Manusia-AI dalam Sistem Sosioteknikal, disertai evaluasi awal terhadap angkatan pertama yang telah menempuh mata kuliah literasi dasar pada tahun sebelumnya. Evaluasi ini penting untuk menyesuaikan tingkat kesulitan dan prasyarat antarmata kuliah sebelum diperluas ke angkatan berikutnya. Tahun ketiga menuntaskan implementasi hingga semester akhir, termasuk penyelenggaraan Proyek Kapstone Lintas Disiplin angkatan pertama yang telah menjalani kurikulum baru secara penuh sejak semester satu, sekaligus menjadi momentum evaluasi menyeluruh atas efektivitas kurikulum sebelum siklus peninjauan kurikulum berikutnya.
Sepanjang peta jalan tiga tahun ini, program studi disarankan membentuk gugus tugas kurikulum (curriculum task force) yang beranggotakan dosen lintas rumpun keahlian, perwakilan mitra industri, dan perwakilan mahasiswa tingkat akhir, guna memastikan bahwa penyesuaian yang dilakukan tetap responsif terhadap umpan balik lapangan, sejalan dengan praktik baik evaluasi kurikulum berbasis OBE yang melibatkan mahasiswa, dosen, alumni, dan mitra industri secara berkelanjutan sebagaimana diterapkan di berbagai program studi di Indonesia.
7. TANTANGAN DAN STRATEGI MITIGASI
Sebagaimana lazim terjadi pada setiap upaya reformasi kurikulum yang cukup mendasar, usulan kerangka dan struktur kurikulum pada bagian sebelumnya tidak dapat dipisahkan dari serangkaian tantangan implementasi yang bersifat kelembagaan, finansial, maupun pedagogis. Bagian ini secara khusus menguraikan lima tantangan utama yang diperkirakan akan dihadapi program studi Teknik Industri di Indonesia, disertai strategi mitigasi yang realistis mengingat keragaman kapasitas antarperguruan tinggi di berbagai wilayah.
Implementasi kurikulum yang diusulkan menghadapi sejumlah tantangan struktural yang perlu diantisipasi sejak tahap perencanaan. Pertama, kesenjangan kompetensi dosen pengampu mata kuliah baru berbasis AI merupakan tantangan paling mendesak, mengingat tidak semua dosen Teknik Industri memiliki latar belakang komputasi yang memadai. Mitigasi yang dapat ditempuh mencakup skema pengajaran tim (team teaching) antara dosen Teknik Industri dan dosen Informatika atau Ilmu Komputer pada tahap awal implementasi, sembari membangun kapasitas internal secara bertahap.
Kedua, keterbatasan infrastruktur komputasi — termasuk akses terhadap perangkat keras untuk pelatihan model machine learning dan lisensi perangkat lunak simulasi — dapat menjadi kendala, terutama bagi perguruan tinggi di luar kota besar. Mitigasi yang relevan adalah pemanfaatan platform komputasi awan dengan skema pendidikan (education tier) yang umumnya ditawarkan penyedia layanan cloud dengan biaya lebih terjangkau, serta pemanfaatan perangkat lunak sumber terbuka (open-source) sebagai alternatif perangkat lunak komersial berlisensi mahal.
Ketiga, risiko kesenjangan antarprogram studi apabila hanya sebagian perguruan tinggi yang mampu mengimplementasikan kurikulum semacam ini secara penuh, sementara sebagian lain tertinggal karena keterbatasan sumber daya, berpotensi memperlebar kesenjangan mutu pendidikan Teknik Industri antarwilayah di Indonesia. Mitigasi atas risiko ini memerlukan peran aktif asosiasi program studi Teknik Industri dan lembaga akreditasi seperti LAM Teknik dalam menyediakan pedoman implementasi bertahap yang dapat diadaptasi sesuai kapasitas masing-masing perguruan tinggi, alih-alih menetapkan standar tunggal yang kaku.
Keempat, tantangan validitas asesmen di tengah ketersediaan AI generatif, sebagaimana telah dibahas pada bagian strategi implementasi, memerlukan investasi waktu tambahan dari dosen untuk merancang instrumen penilaian yang lebih kompleks dibanding ujian tertulis konvensional. Mitigasi yang dapat ditempuh mencakup penyusunan bank soal berbasis studi kasus yang diperbarui secara berkala serta pelatihan dosen mengenai teknik asesmen autentik (authentic assessment).
Kelima, terdapat risiko bahwa penekanan berlebihan pada literasi AI justru mengaburkan fondasi keilmuan Teknik Industri itu sendiri apabila tidak dikelola secara hati-hati, sebagaimana diperingatkan oleh tinjauan sistematis mengenai perlunya kerigoran metodologis dan kehati-hatian etis dalam penelitian AI di pendidikan tinggi (Bond et al., 2024). Kerangka empat klaster yang diusulkan pada bagian 4 artikel ini secara sengaja menempatkan fondasi keilmuan Teknik Industri sebagai klaster pertama yang tidak boleh direduksi, justru untuk mengantisipasi risiko tersebut.
Keenam, tantangan pembiayaan turut perlu diperhitungkan secara realistis, mengingat penyelenggaraan mata kuliah berbasis komputasi intensif — misalnya praktikum simulasi digital twin atau pelatihan model machine learning berskala menengah — memerlukan investasi awal yang tidak kecil, baik untuk perangkat keras, lisensi perangkat lunak, maupun honorarium praktisi tamu dari industri. Bagi perguruan tinggi dengan sumber daya finansial terbatas, mitigasi yang dapat ditempuh mencakup skema berbagi sumber daya (resource sharing) antarprogram studi Teknik Industri dalam satu wilayah, misalnya melalui laboratorium bersama yang dikelola secara konsorsium, atau pemanfaatan hibah kompetitif dari Kementerian Pendidikan, Kebudayaan, Riset, dan Teknologi maupun kerja sama dengan asosiasi profesi Teknik Industri untuk pendanaan bersama pengembangan modul ajar.
8. KESIMPULAN
Artikel ini menyusun kerangka konseptual dan usulan struktur kurikulum Teknik Industri yang responsif terhadap era kecerdasan buatan melalui sintesis atas evolusi Body of Knowledge Teknik Industri, kebijakan Outcome-Based Education dan Merdeka Belajar–Kampus Merdeka di Indonesia, serta proyeksi keterampilan masa depan menurut World Economic Forum dan paradigma Industry 5.0 dari Komisi Eropa. Kerangka empat klaster kompetensi — fondasi keilmuan Teknik Industri, literasi dan penerapan AI, kompetensi manusiawi, serta tata kelola dan etika — diusulkan sebagai jembatan konseptual yang menghubungkan identitas keilmuan Teknik Industri yang telah mapan dengan tuntutan kompetensi baru yang muncul akibat difusi AI ke dalam sistem industri. Usulan struktur kurikulum delapan semester yang menyertainya menunjukkan bahwa integrasi AI dapat dilakukan secara progresif — dari literasi dasar pada semester awal, penerapan domain-spesifik pada semester tengah, hingga integrasi penuh melalui proyek kapstone pada semester akhir — tanpa harus merombak total struktur SKS yang telah berjalan di berbagai program studi.
Kajian ini menegaskan bahwa redesain kurikulum Teknik Industri di era AI bukan semata persoalan penambahan mata kuliah komputasi, melainkan rekonstruksi paradigma pembelajaran yang lebih mendasar: dari pembelajaran berbasis penyampaian materi menuju pembelajaran berbasis proyek dan kemitraan industri yang erat; dari asesmen berbasis hafalan menuju asesmen yang menguji kemampuan evaluatif dan etis mahasiswa; serta dari kurikulum yang statis menuju kurikulum yang dirancang untuk terus diperbarui seiring evolusi teknologi. Keterbatasan artikel ini yang bersifat konseptual — belum disertai uji coba empiris pada program studi tertentu — membuka ruang bagi penelitian lanjutan berupa studi implementasi (implementation study) pada program studi Teknik Industri yang bersedia mengadopsi sebagian atau seluruh usulan struktur kurikulum ini, disertai evaluasi dampaknya terhadap capaian pembelajaran lulusan dan keterserapan di dunia kerja.
Bagi pemangku kepentingan kebijakan pendidikan tinggi, kajian ini menyarankan tiga langkah lanjutan. Pertama, asosiasi program studi Teknik Industri di Indonesia perlu mempertimbangkan penyusunan pedoman Body of Knowledge yang diperbarui secara resmi, yang secara eksplisit memasukkan literasi dan penerapan AI sebagai domain tambahan sejajar dengan tiga belas domain BOK konvensional, sehingga tersedia acuan bersama yang dapat diadaptasi seluruh program studi alih-alih setiap perguruan tinggi merumuskan sendiri secara terpisah. Kedua, lembaga akreditasi seperti LAM Teknik perlu mempertimbangkan penyesuaian matriks penilaian evaluasi diri agar turut mengakomodasi indikator kesiapan program studi dalam mengintegrasikan AI ke dalam capaian pembelajaran lulusan, tanpa mengorbankan bobot penilaian atas fondasi keilmuan Teknik Industri konvensional. Ketiga, Kementerian Pendidikan, Kebudayaan, Riset, dan Teknologi perlu memperluas skema pendanaan hibah kurikulum dan hibah laboratorium yang secara khusus menyasar program studi Teknik Industri di wilayah dengan keterbatasan sumber daya, guna mencegah pelebaran kesenjangan mutu pendidikan antarwilayah sebagaimana diuraikan pada bagian tantangan artikel ini. Ketiga langkah tersebut, apabila ditempuh secara simultan, berpotensi mempercepat transisi program studi Teknik Industri di Indonesia menuju kurikulum yang benar-benar responsif terhadap era kecerdasan buatan tanpa kehilangan jati diri keilmuannya yang khas.
DAFTAR PUSTAKA
Almatrafi, O., Johri, A., & Lee, H. (2024). A systematic review of AI literacy conceptualization, constructs, and implementation and assessment efforts (2019–2023). Computers and Education Open, 100173.
American Society for Engineering Education. (2025). Generative artificial intelligence in industrial engineering: Industry applications and educational prospects. Diakses dari https://peer.asee.org/generative-artificial-intelligence-in-industrial-engineering-industry-applications-and-educational-prospects.pdf
Automate.org. (2025). The future of engineering: Top trends shaping the industry in 2025. Diakses dari https://www.automate.org/news/the-future-of-engineering-top-trends-shaping-the-industry-in-2025
Bond, M., et al. (2024). A meta systematic review of artificial intelligence in higher education: A call for increased ethics, collaboration, and rigour. International Journal of Educational Technology in Higher Education, 21(4).
Breque, M., De Nul, L., & Petridis, A. (2021). Industry 5.0 – Towards a sustainable, human-centric and resilient European industry. Publications Office of the European Union. https://data.europa.eu/doi/10.2777/308407
Chiu, T. K. F. (2024). Future research recommendations for transforming higher education with generative AI. Computers and Education: Artificial Intelligence, 6, 100197.
European Commission, Directorate-General for Research and Innovation. (2021). Industry 5.0 – Towards a sustainable, human-centric and resilient European industry. Diakses dari https://research-and-innovation.ec.europa.eu/knowledge-publications-tools-and-data/publications/all-publications/industry-50-towards-sustainable-human-centric-and-resilient-european-industry_en
European Commission, Directorate-General for Research and Innovation. (2021). Industry 5.0: Towards more sustainable, resilient and human-centric industry. Diakses dari https://research-and-innovation.ec.europa.eu/news/all-research-and-innovation-news/industry-50-towards-more-sustainable-resilient-and-human-centric-industry-2021-01-07_en
Frontiers in Education. (2024). Exploring the applications of artificial intelligence in mechanical engineering education. Frontiers in Education, 9. https://doi.org/10.3389/feduc.2024.1492308
Gürdür Broo, D., Kaynak, O., & Sait, S. M. (2022). Rethinking engineering education at the age of Industry 5.0. Journal of Industrial Information Integration, 25, 100311. https://doi.org/10.1016/j.jii.2021.100311
High Tech Teacher Indonesia. (t.t.). Apa perbedaan kurikulum OBE dengan kurikulum lama? Diakses dari https://hightechteacher.id/apa-perbedaan-kurikulum-obe-dengan-kurikulum-lama/
Johri, A., et al. (2023). Generative artificial intelligence and engineering education. Journal of Engineering Education, 112(3).
Kementerian Pendidikan dan Kebudayaan Republik Indonesia. (2020). Peraturan Menteri Pendidikan dan Kebudayaan Nomor 3 Tahun 2020 tentang Standar Nasional Pendidikan Tinggi.
Laupichler, M. C., et al. (2022). Artificial intelligence literacy in higher and adult education: A scoping literature review. Computers and Education: Artificial Intelligence, 100101.
Northwestern Engineering. (2026). The next era of engineering education. McCormick School of Engineering Magazine. Diakses dari https://www.mccormick.northwestern.edu/magazine/spring-2026/next-era-of-engineering-education/
Patel, A. R., et al. (2021). Artificial intelligence: Prospect in mechanical engineering field—a review. Dalam Data Science and Intelligent Applications: Proceedings of ICDSIA 2020 (hlm. 267–282).
Proceedings of the 2025 4th International Conference on Artificial Intelligence and Education. (2025). Research on AI-enabled industry-education integration courses for intelligent manufacturing. ACM Digital Library. https://dl.acm.org/doi/10.1145/3797552.3797681
Program Studi Teknik Industri Universitas Buddhi Dharma. (2022). Buku panduan kurikulum program sarjana 2022. Diakses dari https://fst.buddhidharma.ac.id/uploads/galeri/Buku%20Panduan%20Kurikulum%20Teknik%20Industri%20K-22.pdf
Program Studi Teknik Industri Universitas Syiah Kuala. (t.t.). Merdeka Belajar Kampus Merdeka – Teknik Industri. Diakses dari https://industri.usk.ac.id/merdeka-belajar-kampus-merdeka/
Program Studi Teknik Elektro Universitas Islam Indonesia. (t.t.). Merdeka Belajar – Kampus Merdeka. Diakses dari https://ee.uii.ac.id/en-ip/sarjana/kampus-merdeka/
Program Studi Teknologi Informasi UIN Walisongo Semarang. (2025). Naskah akademik kurikulum Outcome-Based Education (OBE). Diakses dari https://ti.walisongo.ac.id/wp-content/uploads/2025/07/Naskah-Akademik-Kurikulum-2024-TI_rez.pdf
Program Studi Ilmu Kelautan Universitas Maritim Raja Ali Haji. (t.t.). Dokumen kurikulum berbasis Outcome-Based Education (OBE). Diakses dari https://ikl.fikp.umrah.ac.id/wp-content/uploads/sites/2/2025/06/DOKUMENKURIKULUMOBE-IKL-compressed.pdf
Research.com. (2026). AI, automation, and the future of Industrial Engineering degree careers. Diakses dari https://research.com/advice/ai-automation-and-the-future-of-industrial-engineering-degree-careers
SEVIMA. (2024). Mengenal kurikulum OBE, apa bedanya dengan kurikulum lama? Diakses dari https://sevima.com/mengenal-kurikulum-obe-apa-bedanya-dengan-kurikulum-lama/
Tianjin University. (t.t.). Industrial Engineering in Tianjin University: Shaping future with AI in smart manufacturing era. Diakses dari https://en.tju.edu.cn/info/1010/9366.htm
World Economic Forum. (2025). The Future of Jobs Report 2025. Diakses dari https://www.weforum.org/publications/the-future-of-jobs-report-2025/
World Economic Forum. (2025). Future of Jobs Report 2025: The jobs of the future—and the skills you need to get them. Diakses dari https://www.weforum.org/stories/2025/01/future-of-jobs-report-2025-jobs-of-the-future-and-the-skills-you-need-to-get-them/
World Economic Forum. (2025b). Beyond the inflection point: The new forces shaping the transformation of work. Diakses dari https://www.weforum.org/stories/2025/12/work-transformation-skills-agility-growth/
Xiaotao, Z., & Linwei, M. (2025). Research on curriculum and instruction in digital intelligence empowered engineering education based on first principles. Frontiers in Education, 10, 1659412. https://doi.org/10.3389/feduc.2025.1659412
Komentar
Posting Komentar