Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pendidikan merupakan salah satu aspek penting dalam upaya pencegahan tindak pidana korupsi. Namun kurikulum pendidikan tanpa disertai kultur masyarakat yang kooperatif tidak akan pernah berdampak serius. Pembentukan kultur ini perlu stimulan, dan dalam artikel ini kami menawarkan konsep Perilaku Sosial George Homans dan Interaksionis Simbolik George Herbert Mead sebagai alternatif pendekatan kepada permasalahan yang ada. Penelitian ini menggunakan metodologi kualitatif melalui pendekatan studi literatur. Hipotesis kami adalah kurangnya penghargaan (reward) terhadap individu yang berani bersikap antikorupsi merupakan salah satu penyebab dari minimnya kultur tersebut terbangun di tengah masyarakat. Mereka yang berani menjalankan nilai-nilai dasar antikorupsi justru sering mendapatkan tekanan dari peer group. Hal ini memberikan stimulan yang negatif bagi implementasi nilai-nilai antikorupsi."

"Data pokok pendidikan (Dapodik) merupakan sistem pendataan PAUD, Dikdas, dan Dikmen berbasis sistem TIK yang memuat data sekolah, data siswa, data pendidik dan tenaga kependidikan, dan entitas data sekolah lainnya. Dapodik berperan sebagai basis data kebijakan pendidikan seperti BOS, bansos, tunjangan, UN dan penerbitan data statistik pendidikan Indonesia. Berdasarkan konsep Open Government Data, Dapodik masih memiliki permasalahan pada desain dan implementasinya sehingga penelitian ini untuk mengevaluasi Kebijakan Dapodik sebagai Open Government Data. Pendekatan penelitian ini post-positivisme dengan metode qualitative case-study dengan desain penelitian deskriptif. Hasil penelitian menyarankan bahwa Kemendikbudristek perlu menyempurnakan regulasi (permendikbud) yang mengatur tantang Dapodik terutama terkait dengan pemenuhan standar Open Government Data yang berlaku, seperti Prinsip Sebastopol dan atau Sunlight Foundation. Selain itu, untuk menyukseskan implementasi Dapodik agar memenuhi kebutuhan basis data kebijakan, faktor adopsi teknologi, kesiapan organisasi, dan adaptasi dorongan eksternal perlu diperkuat melalui koordinasi dan kolaborasi berbagai pihak.

---

Basic education data (Dapodik) is an ICT system-based data collection system for early childhood education, primary education, and secondary education which consist of school data entities. Dapodik roles as a database for education policies such as BOS, social assistance, allowances, National Examination, and the publication of Indonesian education statistics. Based on the concept of Open Government Data, Dapodik still has problems in its design and implementation, so this research is to evaluate Dapodik's policy as Open Government Data. This research approach is post-positivism with a qualitative case-study method with a descriptive research design. The results suggest that the Ministry of Education and Culture needs to improve the regulations (permendikbud) that regulate Dapodik's challenges, especially those related to compliance with applicable Open Government Data standards, such as the Sebastopol Principles and or the Sunlight Foundation. In addition, for the successful implementation of Dapodik to meet the requirement of policy databases, technology adoption, organizational readiness, and adaptation of external factors need to be strengthened through coordination and collaboration of various parties."

"Pengembangan Sistem Informasi Penjadwalan Sidang (SISIDANG) versi terbaru (disebut SISIDANG baru) pada tugas akhir ini bertujuan agar dapat digunakan untuk proses tugas akhir dan sidang di semester genap 2022/2023 Fakultas Ilmu Komputer Universitas Indonesia. Pengembangan tersebut meliputi rancangan dan implementasi fitur baru seperti dashboard dan laporan honor, dan perbaikan fitur-fitur yang belum sempurna seperti laporan-laporan yang terkait dengan persidangan, penilaian sidang, pemberian revisi dari dosen, pengelolaan jadwal sidang, pengelolaan dosen, pengelolaan mata kuliah spesial, jadwal pribadi dosen, serta unggah berkas mahasiswa. Proses pengembangan dilakukan dengan metodologi Feature Driven Development (FDD) dengan kelebihan menciptakan progres yang cepat. Setelah pengembangan, dilakukan pengujian dan evaluasi agar dapat memastikan kinerja website dan kepuasan pengguna. Pengujian dan evaluasi SISIDANG baru diukur dengan User Acceptance Testing (UAT), survei fitur dashboard terkait dashboard design principle, dan System Usability Scaling (SUS). Hasil dari evaluasi menunjukkan bahwa SISIDANG baru telah cukup memenuhi kriteria pembuatan dashboard dan memenuhi kriteria cukup untuk tingkat usability.

---

The goal of the development of the latest version of the Sistem Informasi Penjadwalan Sidang (SISIDANG) in this final project is to be able to be use for the whole final assignment process in the second semester of 2022/2023 at the Faculty of Computer Science, University of Indonesia. This development process consisted of designing and implementation process of new features such as dashboards and honorarium reports and improvements to lacking features such as reports related to final assignment presentation, final assignment assessments, final assignment evaluation, the scheduling process of final assignment, lecturers management, final assignment management, lecturer’s personal schedule feature, and uploading student files. The development process is carried out by using Feature Driven Development (FDD) methodology, which has the advantage of faster development progress. After the development process, testing and evaluation were carried out in order to ensure the website’s performance and user satisfaction meet user expectations. Testing and evaluation of the new system are measured with User Acceptance Testing (UAT), survey related to dashboard design principles, and System Usability Scaling (SUS). The results of the evaluation show that the new system has sufficiently met the criteria for making dashboards and the criteria for usability level."

"Universitas XYZ merupakan salah satu PTS dalam bentuk universitas yang berlokasi di Tangerang, yang memiliki kewajiban untuk menjamin dan memberikan pendidikan bermutu kepada mahasiswa selaku salah satu pemangku kepentingan yang memiliki dampak secara langsung pada mutu sebuah universitas. LP2MP bertugas untuk menyelenggarakan pengukuran dan pelaksanaan survei setiap semester dalam bentuk survei umpan balik. Hasil survei tersebut dapat dijadikan sebagai pedoman untuk perbaikan yang berkesinambungan untuk penyelenggaraan penjaminan mutu Dikti dan pengelolaan Universitas XYZ. Namun, pengolahan dan pengukuran data survei secara konvensional tidak cukup untuk mengeksplorasi informasi tersembunyi dari survei. EDM digunakan pada penelitian ini untuk mengolah dan menganalisa data dari Universitas XYZ berupa survei bagian Open Ended Question (OEQ) yang terdiri dari Student Feedback Questionaire (SFQ), Facility Satisfaction Questionaire (FSQ), dan Graduate Feedback Questionaire (GFQ).Tujuan dari penelitian ini adalah untuk mendukung pengambilan keputusan dalam mengambil tindakan proaktif terhadap perbaikan mutu Universitas XYZ. Penelitian ini melakukan klasifikasi label aspek, sentimen analisis, dan tren topik survei SFQ, FSQ, dan GFQ pada bagian OEQ. Klasifikasi label aspek Multi Class survei SFQ memilih model klasifikasi terbaik dengan membandingkan hasil evaluasi accuration, precision, recall, dan F1-Score terhadap setiap kombinasi fitur dan perbandingan empat algoritma klasifikasi yaitu Decision Tree (DT), Naïve Bayes (NB), K-Nearest Neighbor (KNN), dan Support Vector Machine (SVM). Klasfikasi label aspek multi label survei FSQ dan GFQ memilih model klasifikasi terbaik dengan membandingkan hasil evaluasi tiga jenis library multilabel dari SciKit-Learn, yaitu Binary Relevance (BL), Label Power Set (LPS), dan Classifier Chain (CC) terhadap setiap kombinasi fitur dan empat algoritma klasifikasi tersebut.Hasil dari penelitian ini adalah teknik klasifikasi menggunakan kombinasi fitur TFIDF, Unigram, dan Bigram dengan algoritma SVM merupakan model klasifikasi terbaik untuk pelabelan aspek survei SFQ. Teknik klasifikasi menggunakan kombinasi fitur TFIDF, Unigram, dan Bigram dengan algoritma SVM dan library Multi Label CC merupakan model klasifikasi terbaik untuk pelabelan aspek survei FSQ. Teknik klasifikasi menggunakan kombinasi fitur Count Vectorizer, Unigram, dan Bigram dengan algoritma NB dan library Multi Label BR merupakan model klasifikasi terbaik untuk pelabelan aspek survei GFQ. Selain itu, algoritma SentiStrenghtID digunakan untuk mendapatkan sentimen dan algoritma LDA digunakan untuk mendapatkan tren topik tahunan pada setiap label aspek survei SFQ, FSQ, dan GFQ.

---

XYZ University is one of the universities in the form of universities located in Tangerang, which has an obligation to guarantee and provide quality education to students as one of the stakeholders that has a direct impact on the quality of a university. LP2MP is tasked to carrying out measurements and implementation of feedback every semester in the form of surveys as one part of quality control directly to stakeholders. The results of the surveys can be used as a guideline for continuous improvement in the implementation of Dikti quality assurance and management of XYZ University. However, conventional processing and measurement of feedback data are not enough to explore hidden information from surveys data. EDM was used in this research to process and analyze data from XYZ University in the form of Student Feedback Questionaire (SFQ), Facility Satisfaction Questionnaire (FSQ), and the Graduate Feedback Questionaire (GFQ) in the Open-Ended Question (OEQ) section.

The purpose of the research is to support decision making in taking proactive actions towards improvement for self-evaluation and quality of XYZ University. This research carried out label aspect classification, analytical sentiment, and trends in the survey topics SFQ, FSQ, and GFQ in the OEQ section. Multi- class aspect label classification SFQ will choose the best classification model by comparing the results of the evaluation of accuracy, precision, recall, and F1-score for each feature combination and comparison of four classification algorithms namely Decision Tree (DT), Naïve Bayes (NB), K- Nearest Neighbor (KNN), and Support Vector Machine (SVM). The classification of the multi-label aspects of the FSQ and GFQ survey labels will have the best classification model by comparing the evaluation results of three multilabel library types from SciKit-Learn, namely Binary Relevance (BR), Label Power Set (LPS), and Classifier Chain (CC) to each combination of features and four classification algorithms.

The results of this research are Classification Techniques using a combination of features of TFIDF, Unigram, and Bigram with the SVM algorithm which is the best Multi Class classification model for labeling aspects of the SFQ survey. Classification techniques use a combination of TFIDF, Unigram, and Bigram features with the SVM algorithm and the Multi-Label library CC is the best Multi-Label classification model for labeling aspects of the FSQ survey. Classification techniques using a combination of Count Vectorizer, Unigram, and Bigram features with the NB algorithm and the Multi-Label library BR are the best Multi-Label classification models for labeling aspects of the GFQ survey. In addition, the SentiStrenghtID algorithm can be used to get sentiments and the LDA algorithm can be used to get annual topic trends on each survey aspect label SFQ, FSQ, and GFQ.

"

"Pendidikan karakter adalah pendidikan yang mengembangkan nilai-nilai budaya dan karakter pada diri peserta didik sehingga menjadi dasar bagi mereka dalam berpikir, bersikap, bertindak dalam mengembangkan dirinya sebagai individu, anggota masyarakat, dan warganegara. Pendidikan karakter pada dasarnya adalah pengembangan nilai-nilai yang berasal dari pandangan hidup atau ideologi bangsa Indonesia, agama, budaya, dan nilai-nilai yang terumuskan dalam tujuan pendidikan nasional. Dalam rngka lebih memperkuat pelaksanaan pendidikan karakter pada satuan pendidikan, telah teridentifikasi 18 nilai yang bersumber dari agama, Pancasila, budaya, dan tujuan pendidikan nasional, yaitu: (1) religius, (2) jujur, (3) toleransi, (4) disiplin, (5) kerja keras, (6) kreatif, (7) mandiri, (8) demokratis, (9) rasa ingin tahu, (10) semangat kebangsaan, (11) cinta tanah air, (12) menghargai prestasi, (13) bersahabat/komunikatif, (14) cinta damai, (15) gemar membaca, (16) peduli lingkungan, (17) peduli sosial, (18) tanggung jawab. Aplikasinya adalah dengan mengintegrasikan nilai-nilai karakter ke dalam seluruh kegiatan di sekolah.Karakter bangsa merupakan hal yang sangat esensial daam kehidupan bermasyarakat, berbangsa dan bernegara. Karakter akan senantiasa menjadi ruh dan kekuatan bangsa untuk menghadapi setiap perkembangan, termasuk tantangan dunia global. Oleh karena itu, pendidikan karakter harus diperjuangkan sekuat tenaga. Terlebih lagi dengan Kurikulum 2013 yang mengedepankan pendidikan budi pekerti diharapkan membentuk insan yang cerdas dan berkarakter."

"CSE 2011 is an integrated conference concentration its focus on computer science and education. In the proceeding, you can learn much more knowledge about computer science and education of researchers from all around the world. The main role of the proceeding is to be used as an exchange pillar for researchers who are working in the mentioned fields. In order to meet the high quality of Springer, AISC series, the organization committee has made their efforts to do the following things. Firstly, poor quality paper has been refused after reviewing course by anonymous referee experts. Secondly, periodically review meetings have been held around the reviewers about five times for exchanging reviewing suggestions. Finally, the conference organizers had several preliminary sessions before the conference. Through efforts of different people and departments, the conference will be successful and fruitful."

"Penelitian ini menggunakan data tahunan antara 2010-2014. Data dianalisis dengan menggunakan DEA. Variabel input yang digunakan adalah jumlah mahasiswa, jumlah program studi, jumlah dosen, jumlah tenaga administrasi, jumlah tenaga penunjang akademik, jumlah tenaga perpustakaan, dan jumlah ruang kuliah, sementara variabel outputnya adalah jumlah pengabdian masyarakat, banyaknya karya tulis, dan jumlah mahasiswa lulus. Hasil studi menunjukkan jumlah perguruan tinggi inefisien fluktuatif selama rentang waktu 5 tahun, namun ada 5 perguruan tinggi yang terus inefisien pada jangka waktu tersebut. Ketika perguruan tinggi pariwisata swasta dikelompokkan berdasarkan provinsi, perguruan tinggi pariwisata negeri berada di peringkat 4 terbawah dari 14, sedangkan saat dikelompokkan berdasarkan kopertisnya, perguruan tinggi negeri berada di peringkat 9 dari 11. Sehingga peneliti menyarankan perlu diperbaiki pengawasan perguruan tinggi pariwisata agar menghasilkan output sesuai dengan hasil yang disarankan oleh perhitungan DEA.

---

This study use yearly data for period 2010-2014. The data analyzed by using DEA. Input variable used are number of students, number of programme, number of teachers, number of administration staff, number of academic support staff, number of librarian, and number of classroom, ouput variable use are number of people service, number of research, and number of graduates. The result show that public tourism higher education and private are fluctuatively changing in relative efficient through the years, but when private touris higher education were classified by province, public tourism higher education ranks 10 0f 14, when private touris higher education were classified by kopertis, public tourism higher education ranks 9 0f 11. therefore the author suggests the ministry of tourism to increase their supervision on public tourism higher education according to DEA result."

"Salah satu poin penilaian akreditasi universitas adalah jumlah mahasiswa yang lulus tepat waktu dan mahasiswa yang drop-out (DO). Sayangnya, potensi terjadinya mahasiswa terlambat lulus atau drop out masih menjadi tantangan bagi Universitas Kristern Krida Wacana (UKRIDA). Untuk dapat melakukan tindakan mitigasi dan menyusun strategi retensi, perlu dilakukan prediksi terhadap mahasiswa yang berpeluang DO dan terlambat lulus menggunakan data informasi akademik. Hal tersebut dilakukan untuk membantu proses pengecekan mahasiswa DO yang sebelumnya masih manual. Selain itu, faktor informasi akademik apa saja yang memengaruhi hasil prediksinya. Model yang dibangun menggunakan algoritma-algoritma yang diantaranya Logistic Regression, Nave Bayes, Support Vector Machine (SVM), Decision Tree, Random Forest, dan Gradient Boosting. Hasilnya data yang digunakan untuk mendeteksi mahasiswa DO berhasil mencapai 99,42% pada metric precision dan 98,58% pada average precision. Data yang digunakan untuk mendeteksi mahasiswa terlambat lulus berhasil mencapai 78,51% pada metric precision dan AUC 82,86%. Faktor-faktor yang memengaruhi mahasiswa DO adalah status bayar karena terdapat mahasiswa yang hutang terprediksi DO, IPK dengan rata-rata dibawah 2 diprediksi DO, jumlah ulang mata kuliah di atas 1, tidak KRS di atas 2. Namun pada deteksi mahasiswa terlambat lulus, faktor-faktor yang memengaruhi hal tersebut adalah terdapat data yang lebih dari 1 Tidak KRS dan 24 kali mengulang mata kuliah serta dengan status bayar Hutang.

---

One of the points of university accreditation assessment is the number of students who graduate on time and drop-out students (DO). Unfortunately, the potential for students to graduate late or drop out is still a challenge for Kristern Krida Wacana University (UKRIDA). To be able to take mitigation actions and develop retention strategies, it is necessary to predict students who are likely to drop out and graduate late using academic information data. This was done to help the process of checking DO students which was previously still manual. In addition, what academic information factors affect the prediction results. The model is built using algorithms including Logistic Regression, Naïve Bayes, Support Vector Machine (SVM), Decision Tree, Random Forest, and Gradient Boosting. As a result, the data used to detect DO students managed to reach 99.42% on metric precision and 98.58% on average precision. The data used to detect late graduating students managed to reach 78.51% on metric precision and 82.86% AUC. The factors that affect dropout students are paid status because there are students whose debt is predicted to drop out, GPA with an average of below 2 is predicted to drop out, the number of repeat courses is above 1, not KRS is above 2. -Factors that influence this are data that is more than 1 No KRS and repeats courses 24 times as well as with Debt payment status."