Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal The IJICS (International Journal of Informatics and Computer Science) Jurnal Ilmu Komputer dan Sistem Informasi (JIKOMSI)
Kristin Sitompul
STMIK Pelita Nusantara
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering

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

Found 2 Documents
Search

 1 
Sistem Pendukung Keputusan dalam Penentuan Siswa Teladan Menggunakan Metode AHP Pada SMA Harapan Bangsa Tanjung Morawa Kristin Sitompul; Miftahul Jannah; Adli A Nababan; Jhonson Hamunangan
Jurnal Ilmu Komputer dan Sistem Informasi (JIKOMSI) Vol. 6 No. 2 (2023): Jurnal Ilmu Komputer dan Sistem Informasi (JIKOMSI)
Publisher : Utility Project Solution

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

Abstract

Penelitian ini bertujuan untuk mengembangkan Sistem Pendukung Keputusan (SPK) yang menggunakan Metode Analytic Hierarchy Process (AHP) untuk menentukan siswa teladan di SMA Harapan Bangsa. Identifikasi siswa teladan adalah elemen kunci dalam mendorong pencapaian akademik dan karakter positif di lingkungan sekolah. Penelitian ini melibatkan pengumpulan data yang melibatkan pencatatan prestasi akademik, partisipasi dalam kegiatan ekstrakurikuler, kepemimpinan, perilaku, dan faktor-faktor lain yang relevan dalam menentukan siswa teladan. Metode AHP digunakan dalam analisis data untuk memutuskan tingkat pentingnya setiap faktor dalam menentukan siswa teladan. SPK yang dikembangkan dalam penelitian ini memberikan panduan objektif kepada pihak sekolah dalam mengidentifikasi siswa-siswa yang layak mendapatkan penghargaan sebagai siswa teladan. Hasil penelitian menunjukkan bahwa penggunaan metode AHP dalam SPK ini meningkatkan keakuratan dan konsistensi dalam menilai siswa teladan. Penelitian ini berpotensi memberikan manfaat signifikan bagi sekolah dan pendidikan lebih luas dengan memberikan kerangka kerja yang efisien dan transparan dalam menentukan siswa teladan. SPK ini dapat membantu sekolah dalam memberikan penghargaan yang pantas kepada siswa-siswa yang telah mencapai prestasi luar biasa dan mempromosikan budaya prestasi di antara seluruh siswa. Selain itu, metodologi yang digunakan dalam penelitian ini dapat diterapkan dalam konteks pendidikan lainnya untuk mengidentifikasi dan menghargai pencapaian siswa
K-Means Clustering for Adaptive Learning Recommendations Based on Student Academic Performance in Vocational Education petti sijabat; Eviyanti Barus; Kristin Sitompul; Sinta Suwanda; Maira Mau Lydia
The IJICS (International Journal of Informatics and Computer Science) Vol. 10 No. 2 (2026): July
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/ijics.v10i2.9806

Abstract

Differences in students' academic abilities create challenges in the learning process because many schools still apply uniform learning strategies without considering individual academic characteristics. This study aims to cluster students based on academic performance using the K-Means Clustering algorithm and to generate adaptive learning recommendations for each cluster. The dataset consisted of academic records from 50 students of SMK Swasta 2 Delima Sari in the 2024/2025 academic year, including assignment scores, Midterm Examination (UTS) scores, Final Examination (UAS) scores, and attendance rates. Data preprocessing was conducted through data cleaning and Min-Max normalization to ensure that each variable contributed proportionally to the clustering process. The K-Means algorithm was implemented with k = 3 to form high, medium, and low academic performance groups. The results show that 12 students (24%) were classified into the High Cluster, 28 students (56%) into the Medium Cluster, and 10 students (20%) into the Low Cluster. The clustering quality was supported by a WCSS value of 2.3714 and a Silhouette Score of 0.6843, indicating reasonably well-separated clusters. Based on the cluster profiles, students in the High Cluster are recommended to receive enrichment activities, students in the Medium Cluster receive regular instruction with periodic feedback, and students in the Low Cluster receive remedial learning and structured mentoring. These findings indicate that K-Means Clustering can support data-driven educational decision-making and provide a practical basis for adaptive learning recommendations in vocational education.
Co-Authors Adli A Nababan Eviyanti Barus Jhonson Hamunangan Maira Mau Lydia Miftahul Jannah Petti Indrayati Sijabat Sinta Suwanda