Article Per Year (5 Year)
p-Index From 2021 - 2026
0.659
P-Index
This Author published in this journals
All Journal International Journal Software Engineering and Computer Science (IJSECS) JPNM : Jurnal Pustaka Nusantara Multidisiplin JFI
Saputra, Nicholas
Unknown Affiliation
Religion Humanities Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Electrical & Electronics Engineering Social Sciences Other

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : JFI

 1 
Arsitektur Learning Analytics Berbasis Machine Learning untuk Prediksi Performa Siswa Saputra, Nicholas
Jurnal Informatika Indonesia Vol. 1 No. 3 (2026): April-Juni
Publisher : Samudra Ilmu Indonesia

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

Abstract

Transformasi digital dalam pendidikan telah menghasilkan akumulasi data log yang masif pada platform Learning Management System (LMS). Namun, data ini sering kali terfragmentasi dan kurang dimanfaatkan, sehingga intervensi pedagogis cenderung bersifat reaktif. Penelitian ini mengusulkan arsitektur Learning Analytics tiga lapis menggunakan Python 3.12 dan PostgreSQL 16 untuk mentransformasi data mentah menjadi wawasan prediktif dan preskriptif. Melalui pendekatan unsupervised machine learning, algoritma K-Means Clustering mengelompokkan pembelajar berdasarkan metrik perilaku seperti durasi belajar komulatif, frekuensi akses, dan latensi pengumpulan tugas. Optimasi klaster dipastikan menggunakan metode Elbow dan Silhouette Coefficient. Sistem User-Based Collaborative Filtering (UBCF) diintegrasikan guna memberikan intervensi akademik personal bagi siswa berisiko. Backend memanfaatkan tipe data JSONB dan indeks GIN pada PostgreSQL untuk memproses data semi-terstruktur secara efisien. Dievaluasi pada 500 profil siswa dari sebuah platform e-learning institusi pendidikan tinggi melalui purposive sampling, model memprioritaskan metrik Recall (>85%) untuk meminimalkan false negatives. Hasil pengujian beban (stress testing) menunjukkan arsitektur mampu memproses kueri dengan latensi di bawah 200ms. Kerangka ini menjembatani diagnosis klasterisasi dan rekomendasi dinamis, mewujudkan paradigma pengambilan keputusan instruksional proaktif berbasis data.
Co-Authors Bagus Mulyawan Darmawati