Hasil Pencarian  ::  Simpan CSV :: Kembali

"This book offers an in-depth exploration into the current educational climate and the impact of these policy measures for Roma people in seven Western and Southern European countries and seeks to raise awareness of this forgotten minority and to assess the policies implemented to integrate the Roma people into the education system."

"Tingginya tingkat penggunaan media sosial, membuat media sosial sering digunakan untuk menjadi salah satu sumber data pada banyak penelitian. Salah satu penelitian yang paling sering digunakan adalah analisis sentimen. Analisis sentimen adalah bidang studi yang menganalisis pendapat, sentimen, evaluasi, penilaian, sikap, dan emosi orang terhadap entitas seperti produk, layanan, organisasi, individu, isu, peristiwa, topik, dan atributnya. Pada penelitian ini, penulis menggunakan model Bidirectional Encoder Representation from Transformers (BERT) pada permasalahan analisis sentimen. Pada penelitian ini model BERT juga dibandingkan dengan dua model dasar lainnya, yaitu Convolutional Neural Network (CNN) dan Long-Short Term Memory (LSTM). Agar model dapat belajar secara berkelanjutan dari beberapa domain data, model tersebut juga diimplementasikan pada lifelong learning. Hasilnya, BERT mengalami penurunan akurasi sebanyak 8,21% dari 89,17% menjadi 80,96% pada uji loss of knowledge dan mengalami kenaikan sebesar 6,67% dari 82,93% menjadi 89,60% pada uji transfer of knowledge.

---

High level usage of social media makes this platform frequently used as one of the sources for educational studies such as sentiment analysis. Sentiment analysis is a field of study that analyzes people's opinions, sentiments, evaluations, judgments, attitudes, and emotions towards entities such as products, services, organizations, individuals, issues, events, topics, and their attributes. In this study, author will use Bidirectional Encoder Representation from Transformers (BERT) model for sentiment analysis problem. BERT will also be compared with two others basic model which is Convolutional Neural Network (CNN) and Long-Short Term Memory (LSTM). In order for the model to learn continuously from several data domains, lifelong learning is also implemented in the model. As a result, BERT accuracy decreased 8.21% from 89,17% to 80,96% in loss of knowledge test and increased 6.67% from 82,93% to 89,60% in transfer of knowledge test."

"Banyaknya opini yang diunggah oleh pengguna media sosial di Indonesia, mengakibatkan dapat dilakukannya penelitian, salah satunya adalah analisis sentimen. Beberapa model machine learning yang dapat digunakan untuk analisis sentimen yaitu Long Short-Term Memory (LSTM) dan Convolutional Neural Network (CNN). Pada penelitian ini menggunakan modifikasi dari model CNN, yaitu model CNN-Multi Region Size (CNNMRS). Model LSTM dan CNNMRS dapat digabungkan menjadi model gabungan CNNMRS-LSTM dan LSTM-CNNMRS. Penerapan lifelong learning untuk permasalahan analisis sentimen pada penelitian ini dilakukan dengan menggunakan model CNNMRS, LSTM, CNNMRS-LSTM, dan LSTM-CNNMRS. Kemampuan lifelong learning untuk transfer knowledge model CNNMRS menunjukkan hasil yang lebih baik dibandingkan dengan ketiga model lainnya. Pada permasalahan lifelong learning untuk loss of knowledge model LSTM lebih baik dari ketiga model lainnya. Pada penelitian ini juga dilihat pengaruh lifelong learning yang menerapkan pembaruan vocabulary yaitu menggunakan vocabulary yang ada pada setiap source domain yang digunakan. Kemampuan lifelong learning dengan pembaruan vocabulary untuk transfer knowledge model LSTM menunjukkan hasil yang lebih baik dibandingkan dengan ketiga model lainnya. Pada permasalahan lifelong learning dengan pembaruan vocabulary untuk loss of knowledge model LSTM-CNNMRS lebih baik dari ketiga model lainnya. Berdasarkan hasil yang diperoleh pada penelitian ini, pembaruan vocabulary dapat meningkatkan kemampuan dari lifelong learning.

---

The number of opinions uploaded by social media users in Indonesia has resulted in various studies being carried out, one of which is sentiment analysis. Several machine learning models that can be used for sentiment analysis are Long Short-Term Memory (LSTM) and Convolutional Neural Network (CNN). This study uses a modification of the CNN model, namely the CNN-Multi Region Size (CNNMRS) model. The LSTM and CNNMRS models can be combined into a combined CNNMRS-LSTM and LSTM-CNNMRS model. The application of lifelong learning for sentiment analysis problems in this study was carried out using the CNNMRS, LSTM, CNNMRS-LSTM, and LSTM-CNNMRS models. The ability of lifelong learning to transfer knowledge of the CNNMRS model shows better results than the other three models. On the problem of lifelong learning for loss of knowledge, the LSTM model is better than the other three models. This study also looks at the effect of lifelong learning by applying vocabulary updates, namely using the existing vocabulary in each source domain used. The lifelong learning ability with vocabulary updates for the transfer of knowledge of the LSTM model shows better results than the other three models. In lifelong learning problems with vocabulary updates for loss of knowledge the LSTM-CNNMRS model is better than the other three models. Based on the results obtained in this study, updating vocabulary can improve the ability of lifelong learning."

"The second edition of the International Handbook of Lifelong Learning is extensive, innovative, and international in scope, remit and vision, inviting its readers to engage in a critical re-appraisal of the theme of “lifelong learning”. It is a thorough-going, rigorous and scholarly work, with profound and wide-ranging implications for the future of educating institutions and agencies of all kinds in the conception, planning and delivery of lifelong learning initiatives. Lifelong learning requires a wholly new philosophy of learning, education and training, one that aims to facilitate a coherent set of links and pathways between work, school and education, and recognises the necessity for government to give incentives to industry and their employees so they can truly “invest” in lifelong learning. It is also a concept that is premised on the understanding of a learning society in which everyone, independent of race, creed or gender, is entitled to quality learning that is truly excellent.This book recognises the need for profound changes in education and for goals that are critically important to education, economic advancement, and social involvement. To those concerned about the future of our society, our economy and educational provision, this book provides a richly illuminating basis for powerful debate. Drawing extensively on policy analyses, conceptual thinking and examples of informed and world-standard practice in lifelong learning endeavours in the field, both editors and authors seek to focus readers' attention on the many issues and decisions that must be addressed if lifelong learning is to become a reality for us all. "

"Tujuan dari penelitian ini untuk menemukan keefektifan dari metode problem - based lerning dalam meningkatkan pencapian hasil belajar mahasiswa pada mata kuliah strategi belajar mengajar...."

"Penelitian ini bertujuan untuk mengkaji pola kefektifan dari sebuah proses pembelajaran yang dilakuakan secara konvensional dan e-learning. Pola kefektifan dari proses pembelajaran dikaji melalui pendekatan terhadap faktor pemicu dan faktor interaksi pengguna. Pendekatan terhadap faktor pemicu dari proses pembelajaran baik yang berlangsung secara konvensional maupun e-learning diantaranya adalah motivasi, budaya belajar dan pengaruh lingkungan. Sedangkan pendekatan terhadap faktor interaksi pengguna dari proses pembelajaran konvensional maupun e-learning diantaranya adalah kemudahan akses dan komunikasi, yaitu jalinan interaksi antara pendidik dengan peserta didik, antara sesama peserta didik dan antara pendidik maupun peserta didik dengan sumber belajar. Metode penelitian yang digunakan adalah metode deskriptif kualitatif. Teknik pengumpulan data dilakukan dengan menggunakan kuesioner dengan jumlah populasi sebanyak 400 orangb dan sampel sebanyak 196 responden. Metode analisis yang digunakan adalah metode deskriptif kualitatif melalui metode Structural Equation Modelling (SEM) dan Uji Hipotesis. Hasil penelitian menunjukkan bahwa faktor pemicu dan faktor interaksi pengguna berpengaruh positif terhadap pola kefektifan dari proses pembelajaran konvensional maupun e-learning."

"Perkembangan teknologi yang pesat mempengaruhi lingkungan pembelajaran yaitu membentuk lingkungan pembelajaran modern, salah satu bentuk lingkungan belajar modern tersebut adalah kelas belajar pintar. Aplikasi teknologi terbukti telah meningkatkan ketertarikan belajar serta kualitas dari edukasi. Untuk memiliki hasil yang maksimal, institusi yang menyelenggarakan kelas belajar pintar, membutuhkan analisis terhadap faktor yang memiliki pengaruh terhadap kelas belajar pintar, agar dari faktor- faktor tersebut dapat dibentuk strategi untuk meningkatkan dan mempercepat tingkat adopsi kelas belajar pintar.Penelitian ini bertujuan untuk merumuskan strategi guna mengakomodir tingkat adopsi pengguna kelas belajar pintar, dalam hal ini dosen dan mahasiswa, dengan mengembangkan model konseptual menggunakan kombinasi instrumen dari theory of planned behavior (TPB) dan preference instrument of smart classroom learning environment (PI-SCLE). Pengambilan data dilakukan dengan menyebarkan kuesioner kepada mahasiswa dan dosen di lingkungan Fakultas Teknik, Universitas Indonesia. Selanjutnya, partial least squares (PLS) digunakan untuk menganalisis kedua model.Metode why how laddering digunakan untuk perumusan dan pengembangan strategi, serta metode strategy to mission matrix digunakan untuk validasi dan pemilihan strategi. Berdasarkan analisis model mahasiswa, 9 hipotesis diterima, dan 3 hipotesis ditolak. Sedangkan pada analisis model dosen, 5 hipotesis diterima dan 5 hipotesis di tolak. Berdasarkan perumusan dan pengembangan strategi menggunakan why how laddering, 24 rekomendasi strategi diajukan, kemudian 4 strategi dipilih sebagai prioritas atau fokus utama berdasarkan hasil pengolahan data menggunakan strategy to mission matrix.

---

The rapid development of technology creates a modern learning environment, one of which is smart learning class. The application of technology is increasing the learning interest and quality of education. In order to have a maximum output, the institution in which the smart learning class will be adopted have to analyze certain factors that could be enhanced to accommodate students and teachers, to formulate strategies therefore, the system will be well adopted, in a manner of time.

This paper aims to develop recommendations of strategy, to increase the adoption rate and timeline towards smart learning class. Conceptual Model for smart learning class for student and lecturer’s adoption was build by using the combination instruments from theory of planned behavior (TPB) and preference instrument of smart classroom learning environments (PI-SCLE), to analyze the influential factors related to smart class adoption. This research was conducted using the questionnaire for lecturers and students in engineering faculty, Universitas Indonesia. The data was analyzed using Partial Least Square (PLS) method for hypotheses testing.

Why how laddering method was used to formulate and develop the strategy recommendation, and strategy to mission matrix will be used to validate and choose the appropriate strategies. From the student model, 9 hypotheses are accepted and 3 hypotheses are rejected, and from the lecturer model, 5 hypotheses are accepted and 5 hypotheses are rejected. 24 strategies recommendations were formulated using why how laddering method, and 4 strategies are chosen as priorities for implementation by using strategy to mission matrix."