Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Nasional Teknologi Komputer Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI)
Arpan Arpan
Universitas Pembangunan Panca Budi
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Sistem Peringatan Dini Penurunan Prestasi dan Minat Belajar pada Siswa Sekolah Menengah di Medan: Pendekatan Explainable Machine Learning Arpan Arpan; Mohammad Yusup
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 4 No. 2 (2025): September 2025
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v4i2.689

Abstract

Latar Belakang: Sekolah menengah di Medan menghadapi penurunan minat belajar dan prestasi akademik pascapandemi. Deteksi dini yang akurat dan dapat dijelaskan dibutuhkan agar intervensi tidak terlambat. Tujuan: Mengembangkan dan mengevaluasi Early Warning System (EWS) berbasis Explainable Machine Learning untuk memprediksi (i) minat belajar rendah dan (ii) penurunan prestasi, sekaligus memaparkan pendorong risiko yang dapat ditindaklanjuti. Metode: Studi multi‑sekolah menggunakan data administrasi (kehadiran, keterlambatan, disiplin), jejak keterlibatan (proporsi tugas/PR tidak terkumpul, partisipasi kelas, log LMS bila tersedia), nilai rapor, serta survei minat & kesejahteraan 10–12 item. Dibandingkan tiga algoritma (Regresi Logistik, Random Forest, Gradient Boosting) dengan kalibrasi probabilitas; interpretabilitas menggunakan SHAP. Evaluasi pada set uji meliputi AUC, F1, recall-terkondisi (target ≥0,75), Brier, serta audit keadilan lintas gender dan status sosial ekonomi (SSE). Hasil (ilustratif): Gradient Boosting mencapai AUC 0,84 (minat) dan 0,82 (prestasi) dengan ECE ≈0,025 dan Brier ≈0,150. Fitur teratas: tugas/PR tidak terkumpul, skor minat intrinsik, presensi bulan sebelumnya, partisipasi kelas, dan nilai Matematika terkini. Perbedaan AUC antargender ≈0,02 dan F1 antar‑SSE ≈0,04. Kesimpulan: EWS yang akurat, terkalibrasi, dan dapat dijelaskan memungkinkan guru/BK memprioritaskan siswa berisiko dan memilih intervensi bertingkat (Tier 1–3) secara lebih tepat. Implementasi perlu disertai tata kelola data dan pemantauan berkala.
Personalized Learning Recommendations Dari Jejak Media Sosial Dan LMS: Dampak Pada Keterlibatan Siswa (Studi Kasus Di Sman 5 Medan) Mohammad Yusup; Arpan Arpan; Dian Zakaria
Jurnal Nasional Teknologi Komputer Vol 6 No 3 (2026): Juli 2026
Publisher : CV. Hawari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61306/jnastek.v6i3.447

Abstract

Perkembangan teknologi digital telah mendorong pemanfaatan Learning Management System (LMS) dan media sosial sebagai sumber data untuk mendukung pembelajaran yang lebih adaptif. Namun, sebagian besar LMS masih memberikan materi yang bersifat umum tanpa mempertimbangkan karakteristik dan preferensi belajar setiap siswa. Penelitian ini bertujuan mengembangkan sistem Personalized Learning Recommendation berbasis jejak media sosial dan aktivitas LMS untuk meningkatkan keterlibatan (student engagement) siswa di SMAN 5 Medan. Metode penelitian menggunakan pendekatan Design Science Research (DSR) yang meliputi identifikasi kebutuhan, pengumpulan dan prapemrosesan data, perancangan model, pengembangan sistem, serta evaluasi performa. Sistem rekomendasi dikembangkan menggunakan pendekatan Hybrid Recommendation yang mengombinasikan content-based filtering dan collaborative filtering dengan memanfaatkan data aktivitas LMS dan preferensi belajar siswa. Hasil evaluasi menunjukkan bahwa model yang dikembangkan memperoleh Accuracy sebesar 97%, Precision 96%, Recall 95%, F1-Score 95%, NDCG@10 94%, dan MAP@10 93%, yang menunjukkan kemampuan sistem dalam menghasilkan rekomendasi pembelajaran yang akurat dan relevan. Implementasi sistem juga meningkatkan student engagement, yaitu behavioral engagement dari 68% menjadi 88%, emotional engagement dari 70% menjadi 90%, dan cognitive engagement dari 65% menjadi 87%. Hasil penelitian menunjukkan bahwa sistem Personalized Learning Recommendation mampu mendukung pembelajaran yang lebih personal, adaptif, dan efektif. Kontribusi penelitian ini terletak pada integrasi data LMS dan jejak media sosial dalam pengembangan sistem rekomendasi pembelajaran berbasis kecerdasan buatan untuk meningkatkan kualitas pembelajaran digital.
Co-Authors Dian Zakaria Mohammad Yusup