Pendidikan Matematika

Di halaman ini

Terjemahan mesin otomatis halaman berbahasa Inggris ini, yang belum ditinjau oleh penutur asli.

Pendidikan Matematika — kajian tentang bagaimana siswa belajar matematika dan bagaimana AI dapat mendukung pengajaran matematika, mencakup tutoring afektif, diagnosis kognitif dari pekerjaan tulisan tangan, evaluasi perjuangan produktif, perilaku mencari bantuan, kolaborasi guru-AI untuk pembangkitan visual, dan lintasan interaksi siswa-AI. Pendidikan matematika adalah area spesifik domain penelitian paling aktif dalam basis pengetahuan ini, dengan 32 artikel yang secara kolektif mengeksplorasi bagaimana AI dapat mendukung — dan kadang melemahkan — pembelajaran matematika dari pecahan sekolah dasar hingga pendidikan tinggi.

Pertanyaan yang Perlu Dipertimbangkan

Soal matematika memiliki jawaban benar yang jelas namun menuntut penalaran yang kaya, itulah sebabnya matematika menjadi ladang uji yang disukai untuk tutoring AI. Ketika Anda macet pada soal matematika, bantuan seperti apa yang benar-benar membantu Anda belajar — sebuah jawaban, sebuah petunjuk, atau sebuah pertanyaan — dan mana yang cenderung dipilih AI secara default?
Penelitian menemukan tutor AI sering kali default pada sikap terlalu membantu, jarang mendorong kekakuan penalaran bahkan ketika siswa sudah siap. Jika Anda merancang tutor, bagaimana Anda memutuskan kapan menahan bantuan untuk mempertahankan 'perjuangan produktif' yang membangun pemahaman?
Halaman ini menunjukkan siswa yang meminta petunjuk terlalu awal atau membaca petunjuk secara dangkal cenderung belajar lebih sedikit. Pernahkah Anda meraih petunjuk karena tidak sabar alih-alih karena usaha sungguhan? Apa yang hal itu ungkapkan tentang bagaimana dukungan AI dapat melemahkan alih-alih mendukung pembelajaran?
Sistem diagnosis kognitif AI kadang berhalusinasi bukti dan terlalu banyak mengatribusikan kesalahan, dan bahkan model yang kuat berkinerja buruk ketika membaca pekerjaan tulisan tangan siswa yang sebenarnya. Seberapa yakin Anda pada tutor yang mendiagnosis kesalahan Anda dari coretan kerja Anda?
LLM membalik jawaban mereka di antara formulasi soal yang setara secara matematis — soal yang sama yang disajikan secara berbeda mengubah hasilnya. Apa yang hal ini katakan tentang penggunaan AI untuk menilai atau mendiagnosis pemahaman matematika?

Pendahuluan

Pendidikan matematika telah menjadi domain utama bagi penelitian AI dalam pendidikan karena soal matematika memiliki jawaban benar yang jelas namun menuntut penalaran yang kaya — menjadikannya ideal untuk mempelajari efektivitas tutoring, validitas penilaian, dan bagaimana alat AI berinteraksi dengan kognisi serta afek siswa. Artikel-artikel dalam basis pengetahuan ini mengungkap baik janji tutor matematika AI maupun tantangan yang menetap: over-scaffolding yang melemahkan perjuangan produktif, halusinasi dalam diagnosis kognitif, dan sulitnya menyeimbangkan bantuan AI dengan pembelajaran yang sejati.

Tema penelitian utama

Tutoring dan scaffolding matematika AI adalah klaster terbesar, dengan empat artikel yang menelaah bagaimana tutor AI mendukung atau melemahkan pembelajaran matematika. MathBuddy menunjukkan bahwa penambahan kesadaran afektif — mendeteksi emosi siswa dari teks dan ekspresi wajah — menghasilkan keunggulan tingkat kemenangan +23 poin dalam tutoring matematika, terhubung ke Komputasi Afektif dan Tutoring Afektif. TutorMoments mengevaluasi 462 transkrip beranotasi guru dari tutoring matematika kelas 2-7 dan menemukan model frontier default ke sikap terlalu membantu, jarang mendorong kekakuan penalaran bahkan ketika siswa siap — secara langsung menantang keselarasan antara sifat membantu AI dan prinsip Perancah. An et al. menganalisis 999 siswa selama tiga semester dalam ITS Decimal Point, menemukan bahwa permintaan petunjuk yang prematur dan pembacaan petunjuk yang dangkal secara konsisten memprediksi berkurangnya perolehan belajar, bahkan setelah mengontrol pengetahuan awal — temuan yang terhubung ke Pencarian Bantuan dan Analitik Pembelajaran.

Desain tugas, bukan hanya tutoring. Menganalisis 158 unit teks terkode dari 13 calon guru sekolah dasar, Ledezma et al. (2026) menemukan tugas geometri rancangan GenAI mengarah pada permintaan kognitif tinggi namun menuliskan instruksi tertutup, dan satu di antaranya menyematkan skala yang salah (4 m digambar sebagai 8 cm, dinyatakan sebagai 1 m = 4 cm) (Ledezma et al., 2026).

Penalti kepuasan. Mengarahkan tutor LLM melalui rencana Kegagalan Produktif alih-alih membiarkannya menjawab meningkatkan kesetiaan strategi dan menghasilkan 2.6 upaya solusi per sesi dalam studi sekolah menengah dengan 17 siswa, namun siswa menilai tutor productive-failure kurang membantu dibandingkan baseline (Puech et al. (2025)).

Dukungan sosio-emosional dapat membeli efisiensi alih-alih prestasi. Menambahkan lapisan mindfulness LLM pada tutor aljabar kelas tujuh membiarkan pembelajaran dan kecemasan matematika sesaat (state anxiety) tidak berubah antar kelompok (42 dari 252 siswa dianalisis setelah gangguan), namun siswa dalam kondisi mindfulness mencapai pembelajaran sebanding dengan waktu lebih sedikit dan petunjuk yang lebih sedikit diminta (Rief et al., 2026).

Jika digabungkan lintas domain mata pelajaran, efek GenAI terhadap motivasi belajar paling besar pada bahasa (g = 0.946) dan sedang pada matematika (g = 0.711, 95% CI [0.356, 1.066], k = 4), sehingga argumen motivasional untuk GenAI dalam matematika bertumpu pada subkelompok eksploratif yang kecil alih-alih efek yang stabil (Fang et al. (2026)). Offloading di dalam pekerjaan rumah matematika. Jejak chatlog dari 23 siswa aljabar linear menunjukkan campuran prompt bergerak bersama tugas sementara 90% pengumpulan tetap dekat dengan keluaran model, dan kursus pembuktian dengan 153 siswa menemukan perolehan pekerjaan rumah berbantuan AI tanpa perolehan ujian (Kontorovich & Wallach (2026); Chen et al. (2026)).

Diagnosis kognitif dan penilaian mengeksplorasi kemampuan AI mengevaluasi cara berpikir matematis. Razavi dan Powers (2026) menambahkan studi tingkat kesulitan item berskala besar yang mencakup matematika dan membaca: di antara 5,170 item K-5 yang dikalibrasi dengan model IRT Rasch, penilaian kesulitan zero-shot GPT-4o berkorelasi sedang hingga kuat dengan kesulitan yang sebenarnya (r = 0.83 matematika, r = 0.81 membaca) tetapi tidak merata antar kelas, sementara pendekatan berbasis fitur (fitur yang diekstraksi LLM ke dalam model berbasis pohon) mencapai korelasi hingga r = 0.87, dengan tingkat kelas dan jumlah kata sebagai prediktor teratas. Studi ini menawarkan alur kerja tujuh langkah yang praktis bagi para profesional pengujian dan memperingatkan bahwa kemampuan generalisasi di luar matematika dan membaca K-5 belum jelas. MathCog menguji 18 LLM pada 3,036 putusan diagnostik beranotasi guru dari pekerjaan matematika tulisan tangan, menemukan semua model berkinerja jauh di bawah (F1 < 0.5) dengan pengatribusian berlebih dan halusinasi bukti yang sistematis — terhubung ke Pelacakan Pengetahuan, Risiko Halusinasi, dan tantangan penilaian AI Multimodal. Nath et al. menunjukkan bahwa Model Bahasa Besar (LLM) pemecahan masalah matematika sangat sensitif terhadap representasi permukaan — model membalik kebenaran di antara formulasi soal yang setara — sehingga memunculkan kekhawatiran Validitas Penilaian bagi penilaian matematika berbasis AI. Olaoye, Owolabi dan Olaoye (2026) menunjukkan rute yang kontras untuk mengevaluasi respons matematis: Perangkat Lunak Penilaian Esai Diperluas Otomatis mereka menilai item matematika respons panjang dalam ujian Ekonomi sekolah menengah atas melalui kemiripan semantik terhadap skema penilaian WAEC, tanpa pelatihan pada naskah yang telah dinilai, dan bersepakat dengan 12 penguji manusia pada korelasi intra-kelas 0.863 (ukuran rata-rata) dengan koefisien Pearson dari 0.604 hingga 0.864. Kesepakatan itu berada di titik nilai terendah — perangkat lunak rata-rata 5.94 dari 20 terhadap 5.97 bagi para penilai, setiap penguji hanya menilai 84 dari 1,008 naskah, dan penulis mengatribusikan skor rendah itu pada ketidakbiasaan kandidat dengan menjawab berbasis komputer.

Keterlibatan siswa dan literasi AI menelaah bagaimana siswa berinteraksi dengan alat matematika AI. Abdelghani et al. melacak lintasan temporal interaksi siswa-AI dalam pembelajaran matematika, mengidentifikasi jalur perkembangan dari prompting yang dangkal menuju "proaktivitas epistemik" — pengejaran pemahaman konseptual yang aktif dan mandiri. Ini terhubung ke Literasi AI, Metakognisi, dan Regulasi Diri dalam Belajar. Holman menemukan bahwa platform adaptif AI secara signifikan meningkatkan pemahaman pecahan bagi siswa dengan kesulitan belajar matematika, terhubung ke Pembelajaran yang Dipersonalisasi dan Pembelajaran Adaptif.

Dukungan guru mengeksplorasi alat AI untuk pendidik matematika. Role-play siswa tersimulasi juga melayani praktik guru: Zhuang dan Zhang (2025) membangun Student GPT, chatbot ChatGPT kustom yang memerankan siswa sekolah menengah yang memegang miskonsepsi penalaran rasio yang umum, memberikan calon guru matematika menengah praktik berisiko rendah dalam mendiagnosis dan membimbing pemikiran siswa menuju solusi yang benar — mengilustrasikan GenAI sebagai tenaga di balik Simulasi, sebagai pelengkap platform mahal seperti TeachLivE untuk membangun pengetahuan konten pedagogis tentang miskonsepsi siswa.

Calon guru dapat mengeksplorasi dengan GenAI tetapi belum dapat memvalidasinya. Dalam kursus Aljabar Abstrak, 13 dari 18 calon guru matematika memadai dalam menyusun contoh dan non-contoh, sementara 14 dari 18 berada pada dua tingkat terendah untuk menilai apakah respons AI valid (Nurlaelah et al. (2026)).

Alat AI di kelas juga menciptakan pekerjaan orkestrasi yang tidak dinamai tipologi lama: pengamatan terhadap enam pelajaran matematika sekolah menengah menemukan guru memantau dasbor, mengoreksi umpan balik AI yang salah, dan memediasi keluarannya untuk kelas, dengan pertimbangan konten dan etis paling terlihat ketika memperbaiki kesalahan AI (Noh & Kim, 2026).

Sintesis tingkat lapangan satu-satunya dalam basis pengetahuan untuk domain ini adalah tinjauan PRISMA 2021–2025 atas 42 studi yang disaring dari 922 catatan (Cohen's kappa = 0.88), dan tinjauan itu menambahkan kategori yang tidak dimiliki klaster halaman ini: otomasi yang berorientasi guru, di mana MATH41 mendukung produksi cepat tugas matematika bagi siswa pada berbagai tingkat dan model hibrida CognifyNet menganalisis pola aktivitas siswa sehingga pendidik dapat mendeteksi kesulitan yang muncul lebih awal. Tinjauan yang sama menemukan titik buta lapangan — dengan Pendidikan 60% dan Ilmu Komputer 28% dari domain studi, hanya satu studi berada di Psikologi, sehingga dampak emosional, kepercayaan, dan etika relatif kurang dieksplorasi — dan menegaskan bahwa kemampuan teknis tidak boleh disamakan dengan efektivitas kelas yang terbukti. (Artificial intelligence in mathematics education: A PRISMA-based systematic literature review (2021-2025))

Inklusi adalah sifat desain, bukan efek samping dari kapabilitas. Tinjauan atas 38 sumber memasangkan UDL dengan SAMR dan menemukan bahwa AI dapat mendefinisikan ulang tugas matematika sambil membiarkannya tidak dapat diakses oleh siswa yang bahasa, perangkat, atau konektivitasnya tidak cocok (Jita, Jita & Omoniyi, 2026).

Peringkat tantangan domain menempatkan kapasitas guru di urutan pertama. Tinjauan sistematis kedua, atas 54 studi dari 2017-2025, menghitung integrasi teknologi–pedagogis dan kesiapan guru pada 38, risiko keadilan dan akses pada 34, serta batas penalaran mendalam pada 29, dan menghubungkannya dengan respons instruksional dalam kerangka tiga dimensi (Manto et al. (2026)).

Matematika pendidikan tinggi mengeksplorasi dampak AI pada praktik matematika lanjutan. Bui et al. menerapkan teori sosio-kultural pada GenAI dalam matematika universitas, menganalisis AI sebagai "runaway object" yang mentransformasi praktik akademik dengan cara yang mendahului norma institusional dan pedagogis.

Hambatan simbolik dalam kalkulus bersifat representasional alih-alih prosedural: terjemahan grafik-ke-simbol adalah hambatan dominan, dan setelah urutan berbantuan AI, kesalahan simbolik yang terkode turun 27.4%–53.8% (Nursit et al., 2026).

Tutoring LLM dan desain instruksional adalah klaster yang muncul dari dua studi 2026 yang mempertajam basis bukti pendidikan matematika. Looi, Liu, dan Sun (2026) mengembangkan sistem tutoring LLM berbimbing aturan untuk soal cerita matematika sekolah dasar yang arsitektur tiga lapisnya (diagnosis → pemilihan niat → pembangkitan respons terbatas) meningkatkan konsistensi interaksional dan mengurangi pemberian jawaban prematur dalam pilot kelas 40 siswa kelas 5 — bukti bahwa domain matematika prosedural membutuhkan pagar aturan terstruktur pada scaffolding LLM yang sebaliknya bersifat stokastik. Zhu, Liang, Mao, dan Wang (2026) menerapkan model smart classroom pada mahasiswa M.Ed. matematika dan menemukan perolehan signifikan secara statistik (p < .05) dalam desain tujuan instruksional di dimensi standar kurikulum, buku teks, dan kondisi siswa.

Desain prompt itu sendiri adalah tuas yang dapat diukur: pada tolok ukur MathDial, "Tutor Prompt" Sokratik yang diinformasikan secara pedagogis menaikkan Success@N dan memangkas Telling@N secara tajam relatif terhadap prompt dasar baik untuk GPT-4o maupun GPT-4o-mini (Chudziak & Kostka (2025)).

GenAI untuk tugas pemodelan matematis memperluas jalur pembangkitan di luar latihan rutin. Platform bertenaga AI yang dikembangkan melalui pendekatan ADDIE menggunakan variasi langsung dalam matematika sekolah menengah sebagai topik ilustratif, menjawab kurangnya waktu dan sumber daya guru untuk merancang tugas pemodelan berkualitas tinggi: alat yang ada biasanya menghasilkan soal cerita konvensional atau latihan rutin, sedangkan platform ini bertujuan membangkitkan sumber daya yang menumbuhkan kompetensi pemodelan matematis, berlandaskan prinsip desain yang mapan dan retrieval-augmented generation.

Rantai pemikiran visual: celah otonomi dalam geometri. GeoVAD-Bench mendiagnosis alat bantu visual perantara alih-alih jawaban akhir pada 600 soal konstruksi bantu (200 mudah, 200 sedang, 200 sulit), dan menemukan pola yang konsisten: menyediakan diagram bantu referensi meningkatkan akurasi secara moderat (+3.3, +3.0, +7.0 poin pada tiga model) sementara membiarkan model menyusun garis bantu sendiri dalam perjalanan menuju jawaban yang benar melebarkan celah sebesar 10.0 hingga 13.5 poin, dengan dua model berkinerja lebih buruk daripada ketika mereka tidak memiliki penalaran visual sama sekali. Empat kategori kesalahan proses menyumbang 93.1% dan 89.7% dari kegagalan yang diatribusikan. Bagi instruksi pemecahan masalah, temuannya adalah bahwa scaffolding diagramatis harus dilatih dan dievaluasi terpisah dari akurasi jawaban. (Beyond Generation and Accuracy: Diagnosing and Enhancing Visual Chain-of-Thought for Geometry Problem Solving)
Soal yang rentan terhadap AI kehilangan waktu belajar dan retensi. Panel sepuluh tahun atas 3.2 juta interaksi ALEKS menemukan waktu belajar pada soal cerita berbasis teks — yang paling mudah ditranskripsikan ke dalam prompt AI — turun 26.9% setelah peluncuran ChatGPT, sementara item retensi yang diawasi menunjukkan penurunan 25% dalam peluang respons yang benar (Rismanchian et al., 2026).
Siswa menghargai umpan balik langsung, tetapi platform latihan opsional tidak terpakai. Dari 157 siswa, Chen et al. (2026) melihat 95 mendaftar dan hanya 34 mencoba satu soal; pengguna menilai keterlibatan paling tinggi (79% setuju) sementara hanya 42% lebih memilih platform tersebut daripada buku soal yang ada.
Kesalahan menjadi mekanismenya. Menyematkan AI dalam platform latihan berbasis penguasaan memperlambat kemajuan — siswa mencoba lebih sedikit soal — namun menaikkan kebenaran percobaan berikutnya setelah kesalahan, sementara aturan penguasaan tiga benar berturut-turut menaikkan keberhasilan platform tanpa meningkatkan pembelajaran tertunda (Oreopoulos et al. (2026)).
AI dapat menaikkan prestasi sekaligus melebarkan kesenjangan gender. Dalam kuasi-eksperimen enam minggu dengan 115 siswa sekolah menengah atas Nigeria, umpan balik ChatGPT menaikkan prestasi persamaan kuadrat di atas pengajaran konvensional (29.18 vs 24.06), namun siswa laki-laki mengungguli siswa perempuan (30.95 vs 25.16) meskipun tidak ada perbedaan gender dalam efikasi diri — peringatan keadilan bagi dukungan matematika AI (Oladayo & Diri, 2026).
Siswa tetap lebih memilih keputusan penilaian guru. Dalam eksperimen vignette dengan 250 siswa kelas tujuh, keputusan buatan guru atas latihan matematika memperoleh penerimaan lebih tinggi daripada keputusan buatan AI (M = 4.48 terhadap M = 3.47), keadilan yang dipersepsikan membawa 67.52% dari efeknya, dan penjelasan tertulis justru melebarkan alih-alih menutup kesenjangan keadilan (Zhang, Fan & Qi (2026)).

Keterkaitan dengan konsep terkait

Pendidikan matematika berada di dalam domain Pendidikan STEM yang lebih luas dengan koneksi khas ke Tutoring Cerdas dan AI Tutoring melalui tradisi kuat tutor kognitif dan penelitian ITS dalam matematika, ke Perancah melalui literatur perjuangan produktif dan penggunaan petunjuk, ke Komputasi Afektif melalui kecemasan matematika dan tutoring yang sadar emosi, ke Pelacakan Pengetahuan dan Validitas Penilaian melalui penelitian diagnosis kognitif dan penilaian, dan ke Pengajaran melalui kolaborasi guru-AI dalam instruksi matematika. Koneksi K-12 sangat kuat — banyak artikel matematika melibatkan konteks K-12 — sementara koneksi Pendidikan Tinggi muncul dalam persiapan guru dan praktik matematika lanjutan.

Implikasi bagi instruktur matematika

Perlakukan tutoring AI sebagai tuas pencarian bantuan, bukan perbaikan kapabilitas. Penelitian penggunaan petunjuk menunjukkan permintaan petunjuk yang prematur dan pembacaan petunjuk yang dangkal memprediksi perolehan yang lebih rendah — jadi desain kapan dan bagaimana siswa mencari bantuan AI lebih penting daripada kapabilitas tutor mentah. Dorong siswa untuk mencoba sebelum bertanya, dan tampilkan bantuan pada saat dibutuhkan alih-alih berdasarkan permintaan.
Lindungi perjuangan produktif. TutorMoments menemukan model default ke sikap terlalu membantu, jarang mendorong kekakuan penalaran; konfigurasikan dukungan AI untuk melakukan scaffolding alih-alih memecahkan, dan pantau penggantian jawaban yang menggerus penalaran.
Jangan memperlakukan keluaran diagnostik AI sebagai kebenaran dasar. MathCog menunjukkan LLM berkinerja di bawah dalam mendiagnosis cara berpikir matematis (F1 < 0.5) dengan pengatribusian berlebih dan bukti yang dihalusinasikan; gunakan diagnosis AI sebagai saran untuk diverifikasi terhadap pekerjaan siswa yang sebenarnya.
Waspadai kerapuhan format permukaan dalam penilaian AI. Sensitivitas representasi berarti soal yang setara dapat membalik jawaban AI — risiko validitas bagi penilaian matematika berbasis AI; utamakan tinjauan manusia untuk penilaian berisiko tinggi.
Gunakan AI untuk menurunkan ambang latihan yang dipersonalisasi. Platform adaptif meningkatkan pemahaman pecahan bagi siswa dengan kesulitan belajar matematika; terapkan alat adaptif AI secara selektif bagi siswa yang membutuhkan dukungan berbeda.
Pertahankan guru tetap mengendalikan materi instruksional hasil AI. Kendali guru atas visual AI mendukung kerangka yang menyeimbangkan efisiensi AI dengan kebenaran pedagogis.

Miskonsepsi Umum

"Argumen motivasional untuk AI dalam matematika sama kuatnya dengan untuk bahasa." Bukti gabungannya lebih tipis untuk matematika dan sebaiknya dibaca demikian: efek GenAI terhadap motivasi belajar paling besar pada bahasa (g = 0.946) dan sedang pada matematika (g = 0.711, 95% CI [0.356, 1.066], k = 4). Empat studi dan interval kepercayaan yang mencakup sebagian besar rentang yang masuk akal adalah dasar yang lemah untuk klaim yang kuat, dan perbedaan domainnya cukup besar sehingga temuan bahasa tidak boleh dibawa lintas tanpa diperiksa.

"Jika pekerjaan rumahnya terlihat benar, matematikanya dikerjakan dengan benar." Jejak chatlog dari 23 siswa aljabar linear menunjukkan campuran prompt bergeser bersama tugas sementara 90% pengumpulan tetap dekat dengan keluaran model, dan kursus pembuktian dengan 153 siswa menemukan kinerja pekerjaan rumah berbantuan AI menyimpang dari penilaian tanpa bantuan. Kedekatan dengan keluaran model adalah ukuran telah dibantu, bukan ukuran telah belajar; dalam domain dengan jawaban benar yang jelas, pengumpulan yang benar adalah artefak yang paling sedikit memberi diagnosis yang tersedia.

"Matematika adalah domain yang mudah bagi AI karena jawabannya dapat diperiksa." Keterperiksaan adalah yang membuat matematika menjadi ladang uji yang baik, bukan yang membuatnya aman. Karena jawaban akhirnya dapat diverifikasi, siswa dapat memvalidasi solusi yang tidak mereka susun sendiri — yang justru merupakan cara penalaran mata pelajaran ini dilewati sementara nilainya tetap bersih. Sifat yang menarik peneliti adalah sifat yang membuat offloading tidak terlihat.

"Tingkat kesulitan item untuk matematika dapat ditetapkan oleh model yang cakap." Itu harus dikalibrasi terhadap respons. Dalam studi tingkat kesulitan item yang mencakup 5,170 item K-5 yang dikalibrasi dengan model IRT Rasch, penilaian kesulitan zero-shot hasil model dibandingkan dengan kalibrasi empiris justru karena kesulitan yang dinyatakan dan kesulitan yang terukur adalah kuantitas yang berbeda.

Konsep terkait

Sumber daya terkait

teacher.dev
Studio nirlaba yang menerbitkan satu aplikasi kelas gratis untuk setiap hari dalam rentetan pembangunan publik, dari pembuat figur cetak sampai safari waktu tenang dan izin keluar kelas local-first.

Metadata

Disiplin	Math Education, Stem Education
Tingkat	K 12, Higher Ed
Audiensi sasaran	Learners, Instructors
Pembelajaran dan pengajaran	Perancah
Teknologi dan teknik	AI Generatif, Tutoring Cerdas

Sumber Riwayat Sunting Obrolan