Hasil Pencarian  ::  Simpan CSV :: Kembali

"Indonesia masih mengalami bonus demografi pada tahun 2020 dan diprediksi masih berlangsung pada 2038 hingga 2041. Untuk itu perlu dilakukan peningkatan kualitas sumber daya manusia Indonesia, di antaranya melalui pendidikan tinggi di luar negeri. Komponen biaya pendidikan kuliah di luar negeri penting untuk diperhatikan terutama bagi pihak-pihak yang akan memberikan bantuan biaya pendidikan pada mahasiswa yang terpilih. Penelitian ini membahas pengelompokan universitas berdasarkan empat komponen biaya pendidikan program Magister (S2) di kampus luar negeri dengan metode K-Means, serta pemetaan hasil kelompok dan peringkat universitas dengan metode Biplot. Objek penelitian ini adalah universitas di luar negeri berdasarkan QS World University Rankings (WUR) 2020. Berdasarkan hasil penelitian yang didapatkan terdapat tiga kelompok dengan nilai Silhouette sebesar 0.39. Hasil pengelompokan terdiri dari kelompok A (merah) sebanyak 302 universitas, kelompok B (oranye) sebanyak 110 universitas, dan kelompok C (hijau) sebanyak 478 universitas. Hasil pemetaan tiga kelompok dan peringkat universitas dengan menggunakan metode Biplot mampu menerangkan keragaman data sebesar 65.2 persen. Kelompok A (merah) cenderung memiliki kedekatan dengan variabel Visa, SPP, dan Biaya Hidup. Kelompok B (oranye) cenderung berdekatan dengan variabel Transportasi dan QS WUR 2020. Kelompok C (hijau) cenderung memiliki jarak yang jauh dengan empat variabel komponen biaya pendidikan dan QS WUR 2020.

---

Indonesia is still experiencing a demographic bonus in 2020 and is predicted to continue in 2038 to 2041. For this reason, it is necessary to improve the quality of Indonesia's human resources, including through higher education abroad. The cost of studying abroad is essential to pay attention to, especially for those who will provide tuition assistance for selected students. This study discusses the clustering of universities based on the four components of the cost of education for Masters (S2) programs at overseas campuses using the K-Means method and mapping group results and university rankings using the Biplot method. The object of this research is universities abroad based on the QS World University Rankings (WUR) 2020. Based on the research results, there are three clusters with Silhouette value are 0.39. The clustering result consisted of cluster A (red) with 302 universities, cluster B (orange) with 110 universities, and cluster C (green) with 478 universities. The results of mapping the three clusters and university rankings using the Biplot method were able to explain the diversity of the data by 65.2 percent. The cluster A (red) tends to have closeness to the Visa, Tuition Fee, and Cost of Living variables. The cluster B (orange) tends to be close to the Transportation variable and QS WUR 2020. The cluster C (green) tends to have a long-distance with the four component variable costs of education and QS WUR 2020."

"Makalah ini mcmbahas tentang pengelompokan data melalui metoda K-Muans Clustering. Hasil penjgelompokan metoda tersebut digunakan untuk memetakan data rataan nilai UMPTN IPA per kabupaien/kodya di seluruh Indonesia, dengan menggunakan Arc-View GIS versi 3.1. Dari hasil pemetaan tersebut diharapkan data yang merupakan rataan nilai UMPTN IPAtlersebut akan Iebih mudah dan menarik untuk dibaca. Terutama bagi pengambil kebijakan dalam dunia pendidikan. Dengan melihai hasil pemetaan tersebut diharapkan mereka bisa meningkatkan kualilas pendidikan atau melakukan perbaikan-perbaikan dalam dunia pcndidikan di Indonesia secara global, sesuai dengan kualitas pcndidikannya"

"Tujuan dari penelitian ini adalah (1) mengidentifikasi bias jenis kelamin sosial IPA (2) menemukan metode yang paling sensitif memperhitungkan faktor internal dan eksternal dalam mendeteksi bias sosial...."

"Pertimbangan finansial menjadi salah satu penentu utama apakah seseorang akan melanjutkan pendidikan ke tingkat yang lebih tinggi atau tidak, sehingga diperlukan beasiswa untuk membantu mahasiswa dalam menempuh pendidikan tinggi, terutama hingga tingkat doktor. Besar biaya yang dikeluarkan oleh lembaga penyedia beasiswa kepada penerima beasiswa tentunya diharapkan sepadan dengan kualitas ilmu yang diperoleh. Oleh karena itu, penelitian ini bertujuan untuk membahas analisis pengelompokan universitas terbaik dunia berdasarkan komponen biaya pendidikan program doktor dengan metode K-Means. Universitas pada penelitian ini diambil dari QS World University Rangkings (WUR) 2022. Analisis eksploratori data dilakukan dan diperoleh bahwa terdapat 83 dari 472 universitas di dunia memberi bantuan dana penuh untuk studi program doktor. Nilai Silhouette sebesar 0,72 menunjukkan bahwa tiga merupakan jumlah kelompok yang optimal bagi data. Sehingga terbentuk kelompok A sebanyak 328 universitas, kelompok B sebanyak 108 universitas, dan kelompok C sebanyak 36  universitas. Kelompok A terdiri dari universitas dengan SPP dan biaya hidup per bulan relatif rendah, kelompok B sedang, dan kelompok C tinggi. Untuk biaya transportasi udara, kelompok B cenderung rendah, sedangkan kelompok A dan C relatif serupa dan lebih mahal dari kelompok B. Sementara untuk biaya visa, kelompok A cenderung lebih murah, sedangkan kelompok B dan C cenderung serupa dengan biaya lebih mahal. Berdasarkan analisis ini, penulis memberikan saran universitas yang bisa dipertimbangkan lembaga pemberi beasiswa sebagai perguruan tinggi tujuan.

---

Financial concern has been one of the main reasons why an individual wants to pursue higher education. That is why scholarship is needed to help students earn an education, especially until doctoral degree. The amount of money spent by institution who give scholarship must be equivalent with the quality of knowledge an awardee got. This study aims to do clustering analysis of the world’s top universities based on tuition fee components for doctoral program using K-Means method. The object of this study are universities based on QS World University Rankings 2022. Exploratory data analysis is done and found that there are 83 out of 472 universities in the world who give fully funded program for doctoral study. Based on the silhouette value of 0.72, three is the best number of clusters for the data. Group A, B, C consists of 328, 108, and 36 universities in respective order. Group A consists of universities who have chepear tuition fee and monthly living cost compared to Group B dan C. However, Group B consists of universities who have cheaper transportation, meanwhile Group A and C are quiet similar. For visa, Group A is cheaper compared to Group B and C which are similar. Based on the results, recommendations are given to the institution who provide scholarship about the objective university for doctoral study."

"Pertumbuhan pemanfaatan internet telah meningkatkan perhatian terhadap keamanan data. Pada tahun 2014, Projek SHINE (SHodan Intelligence Extraction) telah menerbitkan laporan penilaian keamanan skala besar untuk perangkat yang terhubung ke Internet. Namun, berdasarkan laporan tersebut, jumlah informasi mengenai IP address Indonesia yang berhasil didapatkan masih sedikit. Terdapat sebanyak 7.182 IP address dari Indonesia, yaitu sekitar 0,0032% dari total 2.186.971 IP address yang berhasil dikumpulkan oleh Projek SHINE. Dalam penulisan tesis ini, penulis mengajukan inisiatif untuk melakukan analisis kerentanan semua informasi Autonomous System Number (AS Number) di Indonesia dari Shodan. Penulis telah menyusun dataset semua informasi AS Number di Indonesia antara lain 12.787 port, 79 sistem operasi, 409 produk, 3.634 domain, 145.543 IP address, dan 790 organisasi. Penulis menggunakan algoritma K-Means clustering untuk mengelompokkan AS Number ke dalam beberapa kelas sesuai dengan tingkat paparan di shodan. Berdasarkan hasil pengelompokan, penulis mendapatkan 4 kelas AS Number antara lain 1.075 AS Number di kelas: 0 (belum terdapat informasi mengenai AS Number tersebut di Shodan), 614 AS Number di kelas: 1 (tingkat paparan rendah), 9 AS Number di kelas: 2 (tingkat paparan sedang), dan 1 AS Number di kelas: 3 (tingkat paparan tinggi). Informasi ini dapat dimanfaatkan oleh Kementerian yang menangani bidang Teknologi Informasi dan Komunikasi dan Badan yang menangani Keamanan Siber di Indonesia untuk menghimbau organisasi pengelola AS Number agar mewaspadai potensi kerentanan yang dinformasikan oleh Shodan dan dimanfaatkan oleh hacker.

---

The growth of internet-enabled devices has increased interest in cybersecurity. In 2014, Project SHINE (SHodan INtelligence Extraction) published a report of large-scale security assessments for devices connected to the Internet. However, the number of IP addresses harvested from Indonesia in 2014 is very small. There were 7.182 IP address from Indonesia. It was about 0,0032% from the total 2.186.971 IP addresses. In this paper, we propose an initiative to gather all information for all Autonomous System Number (AS Number) from Indonesia in Shodan. We have gathered a dataset about all information of AS Numbers in Indonesia such as 12.787 unique ports, 79 unique operating systems, 409 unique products, 3.634 unique domains, 145.543 unique IP addresses, and 790 unique organizations. We use the K-Means algorithm to cluster all AS Numbers into several classes according to the exposure level in shodan. Based on the result, we have 4 classes of AS Numbers. There are 1.075 AS Numbers in class:0 (no information in Shodan yet), 614 AS Numbers in class:1 (exposure level = low), 9 AS Numbers in class:2 (exposure level = medium), and 1 AS Number in class:3 (exposure level = high). This information can be used to warn the organizations that manage AS Numbers in Indonesia to be aware of the security and the threats to their systems."

"Kinerja mahasiswa adalah bagian penting dari suatu perguruan tinggi. Hal ini dikarenakan salah satu kriteria  perguruan tinggi yang berkualitas didasarkan pada  prestasi akademik yang baik. Tahun pertama perkuliahan adalah periode mahasiswa untuk meletakkan dasar atau fondasi yang selanjutnya akan mempengaruhi keberhasilan akademik karena tahun pertama memainkan peran penting dalam membentuk sikap dan kinerja siswa di tahun-tahun berikutnya. Pada Penelitian ini, pendekatan Semi-supevised Learning digunakan dalam mengklasifikasi kinerja mahasiswa tahun pertama di Departemen Matematika, Universitas Indonesia. Kinerja Mahasiswa dibagi menjadi dua kategori, yaitu sedang dan tinggi. Sampel pada penelitian ini adalah 140 mahasiswa tahun pertama dengan menggunakan 27 fitur. Ada dua proses yang digunakan, yaitu proses clustering dan klasifiksi. Pada proses clustering, mahasiswa dibagi menjadi tiga cluster/kelompok menggunakan K-Means Clustering. Sedangkan dalam proses klasifikasinya menggunakan Naïve Bayes Classifier. Kinerja algoritma yang diusulkan menghasilkan nilai akurasi 96.67% dan sensitifitas 94.44%.

---

Students performance is an essential part of a higher learning institution because one of the criteria for a high-quality university is based on its excellent record of academic achievements. The first- year of the lecture is the student period in laying the foundation that will affect academic success because first-year plays an important role in shaping the attitudes and performance of students in the following years. In this study, a semi-supervised learning approach is used to classify the performance of first-year students in the Department of Mathematics, Universitas Indonesia. Student performance will be divided into two categories, namely medium and high. The sample in this study consist of 140 first-year students with 27 features. There are two processes used i.e. clustering and the classification process. In the clustering process, the data is divided into three clusters using K-Means Clustering and the Naïve Bayes Classifier is chosen to classify it. The performance of the proposed algorithms is stated by accuracy and sensitivity value i.e. 96.67% and 94.44% respectively."

"Pertimbangan finansial menjadi salah satu penentu utama apakah seseorang akan melanjutkanpendidikan ke tingkat yang lebih tinggi atau tidak, sehingga diperlukan beasiswa untukmembantu mahasiswa dalam menempuh pendidikan tinggi, terutama hingga tingkat doktor.Besar biaya yang dikeluarkan oleh lembaga penyedia beasiswa kepada penerima beasiswatentunya diharapkan sepadan dengan kualitas ilmu yang diperoleh. Oleh karena itu, penelitianini bertujuan untuk membahas analisis pengelompokan universitas terbaik dunia berdasarkankomponen biaya pendidikan program doktor dengan metode K-Means. Universitas padapenelitian ini diambil dari QS World University Rangkings (WUR) 2022. Analisis eksploratoridata dilakukan dan diperoleh bahwa terdapat 83 dari 472 universitas di dunia memberi bantuandana penuh untuk studi program doktor. Nilai Silhouette sebesar 0,72 menunjukkan bahwa tigamerupakan jumlah kelompok yang optimal bagi data. Sehingga terbentuk kelompok Asebanyak 328 universitas, kelompok B sebanyak 108 universitas, dan kelompok C sebanyak36 universitas. Kelompok A terdiri dari universitas dengan SPP dan biaya hidup per bulanrelatif rendah, kelompok B sedang, dan kelompok C tinggi. Untuk biaya transportasi udara,kelompok B cenderung rendah, sedangkan kelompok A dan C relatif serupa dan lebih mahaldari kelompok B. Sementara untuk biaya visa, kelompok A cenderung lebih murah, sedangkankelompok B dan C cenderung serupa dengan biaya lebih mahal. Berdasarkan analisis ini,penulis memberikan saran universitas yang bisa dipertimbangkan lembaga pemberi beasiswasebagai perguruan tinggi tujuan.

---

Financial concern has been one of the main reasons why an individual wants to pursue higher

education. That is why scholarship is needed to help students earn an education, especially until

doctoral degree. The amount of money spent by institution who give scholarship must be

equivalent with the quality of knowledge an awardee got. This study aims to do clustering

analysis of the world’s top universities based on tuition fee components for doctoral program

using K-Means method. The object of this study are universities based on QS World University

Rankings 2022. Exploratory data analysis is done and found that there are 83 out of 472

universities in the world who give fully funded program for doctoral study. Based on the

silhouette value of 0.72, three is the best number of clusters for the data. Group A, B, C consists

of 328, 108, and 36 universities in respective order. Group A consists of universities who have

chepear tuition fee and monthly living cost compared to Group B dan C. However, Group B

consists of universities who have cheaper transportation, meanwhile Group A and C are quiet

similar. For visa, Group A is cheaper compared to Group B and C which are similar. Based on

the results, recommendations are given to the institution who provide scholarship about the

objective university for doctoral study."

"Education has evolved with the rise of electronic learning applications and websites, necessitating students to adapt to a new learning style, exemplified by SCeLE, the learning management system (LMS), based on Moodle, for the Faculty of Computer Science at Universitas Indonesia. By analyzing SCeLE log data across three courses—APAP, CAI, and DAA—and applying the K-Means clustering algorithm, four distinct student behavior patterns emerged: quality students, daily observers, deadliners, and at-risk students. These patterns are evaluated using three key metrics: session intensity, frequency of access, and engagement in interactive activities like assignment submissions and quizzes. The findings reveal that course design and integration of SCeLE features significantly influence student participation. APAP and CAI, with structured weekly tasks and active use of SCeLE tools, foster higher engagement, while DAA struggles with limited interactivity and a heavy content load. Although students generally view SCeLE as a useful learning supplement, the platform's inconsistent use across courses and limited interactive features hinder its full potential.

---

Pendidikan telah berkembang dengan munculnya aplikasi dan situs pembelajaran elektronik, yang mengharuskan siswa untuk beradaptasi dengan gaya belajar baru, seperti yang ditunjukkan oleh SCeLE, sistem manajemen pembelajaran (LMS) berbasis Moodle di Fakultas Ilmu Komputer Universitas Indonesia. Dengan menganalisis data log SCeLE dari tiga mata kuliah—APAP, CAI, dan DAA—dan menerapkan algoritma K-Means clustering, ditemukan empat pola perilaku siswa yang berbeda: quality students, daily observers, deadliner, dan at-risk students. Pola-pola ini dievaluasi menggunakan tiga metrik utama: intensitas sesi, frekuensi akses, dan keterlibatan dalam aktivitas interaktif seperti pengumpulan tugas dan kuis. Temuan menunjukkan bahwa desain mata kuliah dan integrasi fitur SCeLE sangat mempengaruhi partisipasi siswa. APAP dan CAI, dengan tugas mingguan terstruktur dan penggunaan aktif alat SCeLE, mendorong keterlibatan yang lebih tinggi, sementara DAA menghadapi kesulitan dengan interaktivitas yang terbatas dan beban konten yang berat. Meskipun siswa umumnya memandang SCeLE sebagai pelengkap pembelajaran yang berguna, penggunaan platform yang tidak konsisten di berbagai mata kuliah dan fitur interaktif yang terbatas menghambat potensi penuhnya."