Claim Missing Document
Check
Articles

Penerapan Model Machine Learning Terintegrasi CRISP-DM untuk Pemetaan Potensi Kesulitan Belajar Numerasi Anak Bersama Komunitas RAPI Harry Dhika; Fitriana Destiawati; Surajiyo Surajiyo
APPA : Jurnal Pengabdian Kepada Masyarakat Vol 4 No 1 (2026): APPA : Jurnal Pengabdian kepada Masyarakat 
Publisher : Shofanah Media Berkah

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Literasi numerasi anak di Literasi numerasi anak di Indonesia masih menghadapi tantangan serius, sebagaimana tercermin dari hasil survei Programme for International Student Assessment (PISA). Pengabdian kepada masyarakat sebelumnya menunjukkan peningkatan nilai dari 60 menjadi 73 melalui pendekatan visual, namun pengajar komunitas kesulitan memetakan kesulitan belajar spesifik setiap anak secara cepat dan akurat mengingat heterogenitas karakteristik belajar. Penelitian ini mengimplementasikan model Machine Learning terintegrasi framework Cross-Industry Standard Process for Data Mining (CRISP-DM) untuk memprediksi potensi kesulitan belajar numerasi anak bersama Radio Antar Penduduk Indonesia (RAPI) Sekretariat Lokal Tajur Halang. Model klasifikasi mengelompokkan anak ke dalam kategori "Paham", "Risiko Kesulitan Ringan", dan "Risiko Kesulitan Tinggi" berdasarkan variabel logika spasial, pengenalan geometri, durasi fokus, nilai matematika dasar, dan gaya belajar. Hasil menunjukkan efisiensi waktu identifikasi anak bermasalah meningkat 80 persen, serta peningkatan kompetensi numerasi siswa di seluruh dimensi, dengan lonjakan tertinggi pada logika spasial dan pemecahan masalah sebesar 21 poin. Pengembangan aplikasi Android di masa depan diharapkan dapat memperluas jangkauan teknologi ini ke komunitas pendidikan akar rumput lainnya.Indonesia masih menghadapi tantangan serius, sebagaimana tercermin dari hasil survei Programme for International Student Assessment (PISA). Pengabdian kepada masyarakat sebelumnya menunjukkan peningkatan nilai dari 60 menjadi 73 melalui pendekatan visual, namun pengajar komunitas kesulitan memetakan kesulitan belajar spesifik setiap anak secara cepat dan akurat mengingat heterogenitas karakteristik belajar. Penelitian ini mengimplementasikan model Machine Learning terintegrasi framework Cross-Industry Standard Process for Data Mining (CRISP-DM) untuk memprediksi potensi kesulitan belajar numerasi anak bersama Radio Antar Penduduk Indonesia (RAPI) Sekretariat Lokal Tajur Halang. Model klasifikasi mengelompokkan anak ke dalam kategori "Paham", "Risiko Kesulitan Ringan", dan "Risiko Kesulitan Tinggi" berdasarkan variabel logika spasial, pengenalan geometri, durasi fokus, nilai matematika dasar, dan gaya belajar. Hasil menunjukkan efisiensi waktu identifikasi anak bermasalah meningkat 80 persen, serta peningkatan kompetensi numerasi siswa di seluruh dimensi, dengan lonjakan tertinggi pada logika spasial dan pemecahan masalah sebesar 21 poin. Pengembangan aplikasi Android di masa depan diharapkan dapat memperluas jangkauan teknologi ini ke komunitas pendidikan akar rumput lainnya.
An artificial neural network-based decision support model for early prediction of mathematics learning challenges using the CRISP DM framework Harry Dhika; Surajiyo Surajiyo; Lasia Agustina; Abdul Muchlis
Indonesian Journal of Electrical Engineering and Computer Science Vol 43, No 2: August 2026
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/ijeecs.v43.i2.pp618-627

Abstract

Identifying mathematics learning difficulties remains a challenge for educators due to the subjectivity and inefficiency of conventional methods in capturing psychological factors. To address this limitation, this study proposes an artificial neural network (ANN)-based decision support model developed within the cross-industry standard process for data mining (CRISP-DM) framework. The model integrates 16 academic indicators (quizzes, exams, remedial frequency, online activity) and psychological factors (motivation, anxiety, self-confidence, interest) from 163 student records at SMA Muhammadiyah 16 Jakarta. Synthetic minority over-sampling technique (SMOTE) and focal loss are applied to handle class imbalance and improve reliability. The proposed model achieves 98% accuracy and a 0.97 F1-score in classifying students into three difficulty levels: Easy, moderate, and difficult. These findings demonstrate the model’s effectiveness in capturing complex relationships between cognitive and affective features. Unlike prior studies that rely solely on academic performance, this work contributes a robust, comprehensive data-driven framework that enhances multiclass classification for early educational intervention within the Indonesian context.
Sistem Pendukung Keputusan Pemilihan Smartphone Android untuk Pembelajaran dengan Metode SAW Putra Ramadhani; Dudi Parulian; Surajiyo Surajiyo
Jurnal Rekayasa Komputasi Terapan Vol 5, No 03 (2025)
Publisher : Universitas Indraprasta PGRI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30998/jrkt.v5i03.14757

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem pendukung keputusan guna membantu pemilihan smartphone Android terbaik yang sesuai untuk mendukung kegiatan pembelajaran di SMK Pembangunan Jaya Yakapi. Banyak siswa mengalami kesulitan dalam memilih perangkat yang tepat karena hanya mempertimbangkan harga atau merek tanpa memahami spesifikasi teknis yang dibutuhkan. Untuk menyelesaikan masalah ini, digunakan metode Simple Additive Weighting (SAW), yaitu metode pengambilan keputusan multikriteria yang sederhana namun efektif dalam memberikan hasil yang objektif dan sistematis. Kriteria yang digunakan dalam sistem ini meliputi RAM, prosesor, baterai, ROM, dan harga, yang masing-masing diberikan bobot sesuai tingkat kepentingan. Data spesifikasi smartphone diperoleh dari sumber terpercaya dan diolah melalui proses normalisasi dan perhitungan nilai preferensi menggunakan rumus SAW. Hasil dari sistem ini adalah rekomendasi peringkat smartphone berdasarkan nilai tertinggi sebagai pilihan terbaik. Dari hasil pengujian, sistem berhasil merekomendasikan Redmi Note 13 Pro sebagai alternatif terbaik. Sistem ini dapat membantu siswa, guru, dan pihak sekolah dalam mengambil keputusan pembelian perangkat yang lebih rasional dan sesuai kebutuhan. Dengan adanya sistem ini, proses pemilihan smartphone menjadi lebih efisien, tepat sasaran, dan mendukung pembelajaran digital secara optimal.