<![CDATA[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.]]>
Copyrights © 2026
