Penelitian ini mengkaji penerapan machine learning dalam kegiatan student peer review
dengan mengombinasikan pendekatan systematic literature review dan eksperimen. Bagian
pertama penelitian melakukan systematic literature review untuk mengidentifikasi bagaimana
machine learning digunakan dalam mengatasi berbagai tantangan pada kegiatan student peer
review, seperti pengelolaan volume umpan balik yang besar, peningkatan kualitas dan
konsistensi umpan balik, serta dukungan terhadap proses penilaian otomatis. Dari 325 artikel
awal, sebanyak 25 studi empiris dipilih dan dianalisis. Hasil systematic literature review
menunjukkan bahwa teknik machine learning seperti klasifikasi, prediksi, perankingan, dan
klasterisasi banyak dimanfaatkan untuk meningkatkan efisiensi, keadilan, dan objektivitas
proses peer review dalam konteks pendidikan.
Berdasarkan temuan systematic literature review , bagian kedua penelitian ini menyajikan
eksperimen yang berfokus pada klasifikasi otomatis umpan balik mahasiswa dalam kegiatan
peer code review. Eksperimen ini dilakukan, berdasarkan temuan pada systematic literature
review, yaitu masih sedikit sekali eksperimen yang memanfaatkan machine learning untuk
kegiataan peer review yang berfokus pada programming code. Sebanyak 2.281 data umpan
balik berbahasa Indonesia dikumpulkan dari mata kuliah pengantar pemrograman dan
dianotasi menggunakan tujuh label yang selaras dengan kriteria rubrik kualitas kode. Proses
anotasi menunjukkan tingkat kesepakatan antarpenilai yang sangat tinggi (Cohen’s Kappa =
0,9463). Beberapa pendekatan dievaluasi, meliputi machine learning klasik, deep learning, dan
few-shot prompting menggunakan large language models. Hasil eksperimen menunjukkan
bahwa metode Random Forest dengan count vectorization memberikan kinerja terbaik dengan
nilai F1-score sebesar 0,9430, melampaui pendekatan deep learning dan few-shot prompting.
Secara keseluruhan, penelitian ini menunjukkan bahwa machine learning berpotensi
meningkatkan kualitas dan konsistensi kegiatan student peer review melalui analisis sistematis
dan klasifikasi otomatis umpan balik, serta memberikan dasar yang kuat bagi pengembangan
sistem peer review yang lebih skalabel dan berbasis rubrik.