Hasil Pencarian  ::  Simpan CSV :: Kembali

"E-Learning Management Systems (EMAS) adalah sebuah platform belajar daring yang digunakan oleh Universitas Indonesia (UI). Dengan menggunakan platform EMAS, aktivitas akademik mahasiswa dapat dipantau. Berdasarkan aktivitas akademik mahasiswa, dimungkinkan untuk menentukan klasifikasi performa akademik mahasiswa. Aktivitas akademik yang dimaksud diantaranya adalah mahasiswa mengakses EMAS, mahasiswa mengerjakan quiz di EMAS, dan mahasiswa berpartisipasi forum di EMAS. Pada tugas akhir ini digunakan model klasifikasi Naïve Bayes, yaitu klasifikasi dengan asumsi kondisi antar fitur adalah saling bebas. Hasil performa model dilihat dari nilai Matthew’s Correlation Coefficient (MCC) terbesar. Sebelum implementasi, ditentukan proporsi data training dan data testing terbaik. Proporsi 80%:20% dengan periode data 4 minggu adalah proporsi dengan nilai MCC terbesar, yaitu 0,4745. Metode Mutual Information menghasilkan tujuh fitur terpilih, yaitu banyaknya tugas yang diunggah, banyaknya materi yang dikunjungi, banyaknya kunjungan ke start quiz, banyaknya quiz yang diunggah, banyaknya materi dokumen yang dikunjungi, banyaknya forum yang dikunjungi, dan lamanya durasi mengerjakan quiz. Dengan 7 fitur terpilih, performa model naik sebesar 15,15%, dan performa model meningkat lagi sebesar 26,5% jika dilakukan oversampling dengan metode Synthetic Minority Oversampling Technique. Hasil prediksi dari 47 mahasiswa adalah 43 mahasiswa diprediksi benar lulus, 2 mahasiswa diprediksi benar tidak lulus, dan 2 mahasiswa yang diprediksi salah yaitu mahasiwa diprediksi tidak lulus namun sebenarnya lulus.

---

E-Learning Management Systems (EMAS) is an online learning platform that used by the University of Indonesia (UI). By using the EMAS platform, student academic activities can be monitored. Based on the student's academic activities, it is possible to determine the classification of student academic performance. The academic activities in question include students accessing EMAS, students taking quizzes at EMAS, and students participating in forums at EMAS. In this final project, the Naïve Bayes classification model is used, namely classification with the assumption that the conditions between features are independent of each other. The results of the model's performance are seen from the largest Matthew's Correlation Coefficient (MCC). Prior to implementation, the proportion of the best training and testing data is determined. The proportion of 80%:20% with a data period of 4 weeks is the proportion with the largest MCC value, which is 0.4745. The Mutual Information method resulted in seven selected features, namely the number of tasks uploaded, the number of materials visited, the number of visits to the quiz start, the number of quizzes uploaded, the number of document materials visited, the number of forums visited, and the length of duration of taking the quiz. With 7 selected features, the performance of the model increases by 15.15%, and the performance of the model increases again by 26.5% if oversampling is carried out using the Synthetic Minority Oversampling Technique method. The prediction results from 47 students were 43 students were predicted to pass correctly, 2 students were predicted to fail correctly, and 2 students were predicted to be wrong, namely students predicted not to pass but actually passed."

"E-Learning Management System (EMAS) merupakan aplikasi yang dibuat oleh Universitas Indonesia dengan berbagai fitur salah satunya forum diskusi online. Dalam forum diskusi online, mahasiswa dapat membuat postingan-postingan dalam bentuk teks untuk bisa berdiskusi. Postingan-postingan dalam bentuk teks memiliki peran penting dalam meningkatkan performa mahasiswa yang terkhusus pada kelulusannya. Pada tugas akhir ini, Multinomial Naïve Bayes (MNB) digunakan untuk mengklasifikasi performa mahasiswa berdasarkan postingan-postingan dalam bentuk teks pada forum diskusi online. Sebelum dilakukan tahapan klasifikasi, postingan-postingan tersebut dilakukan preprocessing dan pemberian bobot kata pada teks menggunakan TF-IDF. Hasil TF-IDF dinyatakan dalam bentuk vektor-vektor, proses ini disebeut dengan proses vektorisasi. Banyaknya dokumen dari data hasil vektorisasi TF-IDF yang digunakan yaitu sebanyak 228, dengan proporsi mahasiswa lulus dan tidak lulus secara berturut-turut, yaitu sebesar 219 dan 9. Pada data tersebut didominasi oleh mahasiswa lulus, artinya data tersebut tidak seimbang, sehingga diperlukan proses SMOTE untuk menyeimbangkan data. Kemudian, dilakukan implementasi model MNB pada 3 kasus pembagian data training dan data testing, yaitu 70%;30%, 80%:20% dan 90%:10%, dengan cara melatih model pada data training dan menguji model pada data testing untuk memperoleh klasifikasi performanya. Implementasi dilakukan sebanyak lima kali percobaan, sehingga didapatkan model MNB dapat mengklasifikasi performa mahasiswa dengan baik dan hasil kinerja model terbaik pada data testing 30% yaitu rata-rata akurasi sebesar 0,956, rata-rata recall sebesar 0,979, dan rata-rata f1-score sebesar 0,977. Namun rata-rata presisi terbaik didapatkan pada data testing 20%, yaitu sebesar 0,977.

---

E-Learning Management System (EMAS) is an application created by the University of Indonesia with various features, one of which is an online discussion forum. In online discussion forums, students can make posts in the form of text to be able to discuss. Posts in the form of text have an important role in improving student performance, especially at graduation. In this final project, Multinomial Naive Bayes (MNB) is used to classify student performance based on posts in text form on online discussion forums. Prior to the classification stage, the posts were preprocessed and assigned word weights to the text using TF-IDF. The results of TF-IDF are expressed in the form of vectors, this process is called the vectorization process. The number of documents from the TF-IDF vectorized data used is 228, with the proportion of students graduating and not graduating respectively, which is 219 and 9. SMOTE to balance data. Then, the implementation of the MNB model was carried out in 3 cases of distribution of training data and testing data, namely 70%; 30%, 80%:20% and 90%:10%, by training the model on the training data and testing the model on the testing data to obtain performance classification. The implementation was carried out five times, so that the MNB model was able to classify student performance well and the best model performance results were on 30% testing data, namely an average accuracy of 0.956, an average recall of 0.979, and an average f1-score of 0.956. 0.977. However, the best average precision was obtained at 20% testing data, which was 0.977."

"Performa akademik adalah bagian penting dari suatu sekolah. Saat ini, sebagian besar sekolah di Indonesia masih jarang melakukan klasifikasi performa akademik siswa, sehingga diperlukan metode yang tepat untuk mengklasifikasikan siswa berdasarkan perfroma akademiknya.  Pada peneltian ini digunakan metode Nave Bayes Classifier (NBC) dan metode Support Vector Machine (SVM) untuk mengklasifikasikan performa akademik siswa SMAN 38 Jakarta. Metode NBC menghasilkan tingkat akurasi tertinggi sebesar 96%, recall 100%, precision 92.68% dan %. Sedangkan metode SVM dengan kernel linier menghasilkan tingkat akurasi tertinggi sebesar 98%, recall 100%, precision 96.42% dan f1-score.

---

Academic performance is an important part of a school. At present, most schools in Indonesia rarely classify students’ academic performance, so we need the right method to classify students based on their academic performance. In this research, the Nave Bayes Classifier (NBC) and Support Vector Machine (SVM) methods are used to classify academic performance of SMAN 38 Jakarta students’. The NBC method produces the highest accuracy 96%, recall 100%, precision 92.68% and f1-score  While the SVM method produces the highest accuracy 98%, recall 100%, precision 96.42% and f1-score  on linear kernels."

"Keaktifan dan keterlibatan mahasiswa dalam Learning Management System menarik perhatian peneliti dan praktisi di bidang e-Learning. Ketertarikan ini disebabkan adanya manfaat dalam penggunaan e-learning secara paralel dengan pembelajaran konvensional. Keaktifan mahasiswa tercermin dari kontribusi dalam aktivitas pembelajaran. Latar belakang penelitian ini adalah untuk mengeksplorasi aktivitas mahasiswa di dalam Student Centered e-Learning Environment (SCeLE) terhadap capaian akademis mahasiswa; yaitu apakah ada perbedaan user journey mahasiswa yang capaian akademiknya tinggi dibandingkan mahasiswa yang capaian akademiknya rendah. Selain itu, penelitian ini juga ditujukan untuk mengidentifikasi masalah-masalah pembelajaran secara daring yang dihadapi oleh mahasiswa. Data aktivitas mahasiswa diambil dari log Moodle yang dapat ditarik dari SCeLE kelas Aljabar Linier. Log yang diambil kemudian disunting dan diproses menggunakan spreadsheet Microsoft Excel dan process mining Disco. Untuk menggali persepsi mahasiswa mengenai pengalaman belajar mahasiswa ketika menggunakan LMS SCeLE, maka dilakukan wawancara terhadap beberapa mahasiswa sebagai partisipan penelitian. Hasil yang didapatkan menunjukkan data tren aktivitas mahasiswa serta penurunan jumlah aktivitas paruh kedua periode pembelajaran. Selain itu, diketahui juga dari sudut pandang mahasiswa bahwa penurunan aktivitas setelah periode pertengahan semester dapat disebabkan oleh beberapa faktor. Berdasarkan penelitian ini, diajukan rekomendasi terhadap system dan kurikulum yang dapat memberikan gambaran karakteristik mahasiswa dalam beraktivitas di LMS.

---

The activity and involvement of students using Learning Management System has attracted the attention of researchers and practitioners in the field of e-learning. This attraction stems from the benefits from the usage of e-learning if applied with conventional teaching methods. The student’s activity is reflected in their contributions in learning activities. The background of this research is the exploration of student activities using Student-Centered e-Learning Environment (SCeLE) and comparing it to the academic achievements of the students: that is to find differences in the user journeys belonging to high achieving students and comparing it to low achieving students. This research also identifies problems that students might encounter. The activity data of students is taken from Moodle logs that is extracted from a Linear Algebra class in SCeLE. Extracted logs are filtered and processed using Microsoft Excel Spreadsheet and Disco Process Mining. To learn more on the student’s perception while using LMS SCeLE, interviews of several students is conducted as research participants. The result shows the trends of student activities as well as the decrease of such activities in the second half of the semester. The information gathered also explains the decrease in activity after the mid-terms period is explained by several factors. Based on this research, a recommendation for the system and curriculum is filed to give an image of the student’s characteristic while conducting activities in the LMS."

"

Konsumsi energi nasional secara signifikan dikontribusikan oleh tenaga listrik rumah tangga. Untuk mengetahui penggunaan energi listrik di setiap peralatan listrik rumah tangga, teknik yang disebut Non-Intrusive Load Monitoring (NILM) digunakan. NILM adalah alat untuk memantau dan mengidentifikasi kekuatan setiap peralatan listrik. Baru-baru ini beberapa metode klasifikasi data seperti jaringan saraf, pembelajaran mendalam telah diterapkan untuk mengembangkan NILM. Dalam tulisan ini, metode naive bayes digunakan untuk NILM. Metode ini untuk mengklasifikasikan kondisi on-off peralatan listrik. Untuk meningkatkan akurasi, metode preprocessing data yang normalisasi dan diskritisasi digunakan. Perbandingan kinerja dievaluasi untuk setiap metode. Dalam tulisan ini, dataset REDD digunakan. Metode Supervised learning yang digunakan adalah Naive Bayes dan K Nearest Neighbour. Hasil simulasi menunjukkan bahwa dua metode ini dapat mengenali data NILM dengan akurasi yang tinggi. Metode naive bayes dengan diskritisasi memperoleh akurasi tertinggi dengan nilai 96.64% diikuti oleh KNN dengan k =5 dengan nilai 96.1287%.

 

---

National energy consumption is significantly contributed by household electricity. To find out the use of electrical energy in every household electrical equipment, a technique called Non-Intrusive Load Monitoring (NILM)  used. NILM is a tool to monitor and identify the strength of each electrical equipment. Recently several methods of data classification such as neural networks, deep learning have been applied to develop NILM. In this paper, the naive Bayes method used for NILM. This method is to classify the conditions of on-off electrical equipment. Accuracy to improve, data preprocessing techniques that are normalised and discretised used. Performance comparisons are evaluated for each method. In this paper, the REDD dataset used. The Supervised learning method used is Naive Bayes and K Nearest Neighbor. The simulation results of the two classification methods can recognise NILM data with high accuracy, the naive Bayes method with discretisation obtained the highest accuracy with an amount of 96.64% followed by KNN with 5 with a value of 96.1287%.

 "

"Metode machine learning sangat banyak digunakan dalam membantu pekerjaan manusia. Tidak semua data seperti yang diharapkan. Kebanyakan data memiliki missing value. Data yang memiliki missing value harus ditangani dulu pada tahap pra pengolahan, salah satunya adalah dengan cara imputasi missing value. Pada penelitian ini, dilakukan analisis kinerja One-Dimensional Naïve Bayes sebagai metode imputasi data masalah asuransi mobil dan keselamatan berkendara. Berdasarkan hasil simulasi menggunakan SVM didapatkan hasil yang sama untuk imputasi menggunakan modus dan One-Dimensional Naïve Bayes pada data Car Insurance yaitu 1,00. Setelah itu dilakukan telaah lebih lanjut ternyata imputasi setiap missing value dengan modus dan prediksi imputasi dengan One-Dimensional Naïve Bayes persis sama. Pada data Safe Driver, imputasi dengan modus menghasilkan akurasi 0,86 sedangkan imputasi dengan One-Dimensional Naïve Bayes menghasilkan akurasi 0,85. Hasil ini menunjukkan bahwa metode imputasi missing value dengan modus masih sangat direkomendasikan untuk tahap pra pengolahan data pada machine learning.

---

Machine learning methods are very widely used in helping human work. Not all data is as expected. Most data have missing values. Data which has a missing value must be handled first at the pre-processing stage, one of which is by imputation of the missing value. In this study, a One-Dimensional Naïve Bayes performance analysis was performed as a data imputation method for car insurance and safe driver problems. Based on simulation results by using SVM obtained the same results for imputation using mode and One-Dimensional NaA ve Bayes on Car Insurance data that is 1,00. After that, a further study is carried out, apparently the imputation of each missing value by mode and the prediction of imputation with One-Dimensional NaAve Bayes are the same. In Safe Driver data, imputation with mode produces 0.86 accuracy while imputation with One-Dimensional NaAve Bayes produces accuracy of 0.85. These results indicate that the method of missing value imputation with mode is still highly recommended for the pre-processing data stage in machine learning."

"ABSTRAKUniversitas Indonesia telah menyadari pentingnya peran kemajuan teknologi dalam pengembangan sistem pembelajaran dengan membentuk sistem pendidikan digital berupa Student Centered e-Learning Environment (SCeLE UI) sebagai media pembelajaran untuk para peserta didiknya. Tujuan utama dalam penelitian ini adalah untuk meningkatkan standar pendidikan dalam lingkungan Universitas dengan media digital. Faktor-faktor yang mempengaruhi niat perilaku mahasiswa (BI) untuk menggunakan e-learning untuk tujuan pendidikan dalam lingkungan universitas layak untuk dipelajari. Penelitian ini menggunakan empat faktor yaitu, teaching materials, instructor characteristic, information quality, dan content quality yang dirangkum oleh Abdullah dan Ward (2016) untuk menentukan faktor-faktor yang mempengaruhi BI mahasiswa sarjana untuk menggunakan sistem e-learning sebagai media pembelajaran. Data dikumpulkan dari 388 mahasiswa sarjana menggunakan teknik pengambilan sampel kuota dari 14 fakultas dan tanggapan dianalisis menggunakan Structural Equation Modeling (SEM). Hasil analisis mengindikasikan terdapat pengaruh dari teaching materials, dan content quality terhadap behavioral intention dari mahasiswa untuk menggunakan e-learning, behavioral intention terbukti memiliki pengaruh pada actual use dari e-learning.

---

ABSTRACT

Universitas Indonesia has realized the importance of technological advancements by establishing a digital education system in the form of a Student Centered e-Learning Environment (SCeLE UI). The main objective in this research is to improve the standard of education in the University environment with digital media. Factors that influence students' intention (BI) to use e-learning for educational purposes within a university environment are worth studying. This study uses four factors namely, instructional materials, instructor characteristics, information quality, and content quality summarized by Abdullah and Ward (2016) to determine the factors that influence BI undergraduate students to use e-learning systems as learning media. Data were collected from 388 undergraduate students using quota sampling techniques from 14 faculties and responses were analyzed using Structural Equation Modeling (SEM). The results of the analysis indicate there is an influence of teaching materials, and content quality on the behavioral intention of students to use e-learning, behavioral intention is proven to have an influence on actual use of e-learning."