Hasil Pencarian  ::  Simpan CSV :: Kembali

"Studi ini mengkaji bagaimana kebijakan pembelajaran sepanjang hayat di Jepang dalam pendidikan khusus bagi lansia mendorong keterlibatan sosial dan berkontribusi terhadap peningkatan kesehatan, serta tantangan dalam implementasi kebijakannya. Dengan menggunakan pendekatan kualitatif, penelitian ini menganalisis proses kebijakan, mulai dari latar belakang dan implementasi (output kebijakan) hingga dampak serta tantangan yang dihadapi.Penelitian ini menggunakan teori dan konsep masyarakat lansia Jepang dari beban menjadi sumber daya manusia produktif yaitu kajian proses kebijakan, activity theory, perspektif institusional, healthy ageing dan lifelong learning, dan resosialisasi dalam second life stage.Temuan menunjukkan bahwa kebijakan ini terutama mendorong partisipasi sosial, kegiatan sukarela, dan pengembangan diri, bukan reintegrasi lansia ke pasar tenaga kerja. Meskipun beberapa program mendukung pemeliharaan kapasitas kerja dan re-employment pasca pensiun, universitas lansia lebih menekankan pada keterlibatan komunitas daripada kesiapan kerja. Pembelajaran di universitas lansia memberikan dampak positif bagi para peserta yaitu tercapai healthy ageing, kemampuan fungsional yang baik dan penuaan yang aktif.Namun, studi ini juga mengidentifikasi tantangan-tantangan utama, termasuk pelabelan usia yang berisiko menimbulkan ageism (diskriminasi usia), kesenjangan sosial ekonomi yang memengaruhi akses terhadap program, kesulitan dalam menyelaraskan kurikulum dengan tujuan pembelajaran non-industri, serta keterbatasan kesehatan lansia yang dapat menghambat efektivitas kebijakan dan menyebabkan investasi yang kurang efisien.

---

This study examines how Japan's lifelong learning policy in special education for the elderly promotes social engagement and contributes to health outcomes, alongside challenges in policy implementation. Using a qualitative approach, the research analyzes the policy process, from its setting background and implementation (policy outputs) to its outcomes and encountered challenges.

This study explores the transformation of Japan’s aging population from being seen as a societal burden to becoming a valuable and productive segment of society. It draws on a range of theoretical and conceptual approaches, including policy process analysis, activity theory, institutional perspectives, healthy aging and lifelong learning, and the resocialization of older adults during the second stage of life.

Findings reveal that the policy primarily encourages social participation, volunteering, and self-enrichment, rather than reintegration into the labor market. While some programs support the maintenance of work capacity and post-retirement employment, elderly universities emphasize community engagement over job readiness. As a result, participants experience improved functional health and active aging.

However, the study identifies key challenges, including age-based labeling that risks ageism, socio-economic disparities affecting program access, difficulties aligning curricula with non-industrial learning goals, and health-related constraints that may hinder policy efficacy and lead to inefficient investment."

"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."

"Skripsi ini membahas mengenai pemanfaatan permainan dalam menciptakan belajar sepanjang hayat di Perpustakaan Goethe-Institut Jakarta. Koleksi permainan merupakan koleksi yang masih jarang di Perpustakaan terutama di wilayah Indonesia, karena koleksi permainan banyak dikaitkan dengan dampak negatif yang ada pada permainan. Tentunya selain dampak negatif, terdapat juga dampak positif dari permainan. Pada beberapa permainan dengan genre tertentu, memberikan tantangan yang mengharuskan pengguna permainan berpikir kritis dan perlu mengatur strategi yang benar agar ia bisa memenangkan permainan. Penilaian perilaku pemustaka sebagai seorang yang termasuk dalam kriteria belajar sepanjang hayat, menggunakan konsep profil seorang lifelong learner yang dicetuskan oleh Candy dan kawan-kawan. Penelitian ini menggunakan metode kuantitatif.

---

This thesis discussed about the utilizing games to create lifelong learning at Goethe Institut Library Jakarta. Game collections are seldom in the library, mostly in Indonesia. That rsquo s because the negative effects from the games. Besides negative effects, it must be also positive effects from games. There are games in a certain genre, which are challenging to the player, so they have to think critically. They also have to plan and manage their strategy so they could win the game. To assest their behavior and to know if they rsquo re a lifelong learner, I rsquo m using a concept from Candy et.al about profile of lifelong learner. This research uses quantitative methods."

"Perkembangan pesat teknologi telah memberikan akses kepada masyarakat untuk mengemukakan opini dan evaluasi pribadi di media sosial dan berbagai penjuru dunia digital. Hal ini menjadi pemicu berkembangnya ilmu analisis sentimen atau sering disebut juga opinion mining yang merupakan pengaplikasian dari ilmu machine learning. Umumnya, metode machine learning mempelajari satu domain untuk menghasilkan suatu model, tetapi dengan pengembangan lanjut dihasilkan lifelong learning dimana pembelajaran model berlangsung secara kontinu menggunakan berbagai source domain. Pada tahun 2022, Osmardifa melakukan penelitan mengenai perbandingan kinerja model Bidirectional Encoding Representation from Transformers (BERT) terhadap kinerja model Convolutional Neural Network (CNN) dan model Long Short-Term Memory (LSTM) untuk lifelong learning. Namun, dari perbandingan kinerja tersebut hanya menggunakan satu kombinasi urutan domain dari total 120 kombinasi dari urutan 5 source domain. Dalam skripsi ini, kombinasi semua kombinasi urutan source domain menggunakan dataset penelitian Osmardifa disimulasikan untuk mengukur kinerja model menggunakan urutan pembelajaran yang berbeda dari simulasi yang dijalankan Osmardifa. Hasil simulasi urutan source domain lainnya menggunakan metode BERT menunjukkan banyak kombinasi urutan source domain yang menghasilkan kinerja lebih baik dibandingkan penelitian sebelumnya. Didapat bahwa urutan pembelajaran Capres – Jenius – Shopback – Ecom- Grab menghasilkan akurasi tertinggi 82,49% untuk retain of knowledge bagi source domain yang menggunakan dataset Capres sebagai Source Domain 1 dan urutan Capres – Jenius – Grab – Ecom – Shopback menghasilkan akurasi tertinggi 91,32% untuk transfer of knowledge. Hasil ini menunjukkan kenaikan sebesar 1,53% dan 1,72% dibandingkan simulasi awal yang dilakukan oleh Osmardifa. Analisis lanjut dilaksanakan untuk melihat apakah ada pola atau alasan yang dapat menjelaskan perbedaan kinerja pada model ketika urutan source domain digantikan akan tetapi tidak ditemukan pola atau atau alasan tersebut tidak ditemukan pada penelitian.

---

Technological advancements have given the public more of an opportunity to share opinions and personal evaluations within public spaces through social media and other domains on the internet.This phenomenon sparked an interest to develop a field of study under machine learning called opinion mining which specializes in analyzing sentiments found within texts. Generally, machine learning models have one domain or dataset which is used to develop the model, however with further developments a lifelong learning was developed which aims to develop models through continual learning with multiple domains or datasets. In 2022, Osmardifa underwent a study to compare the results of the Bidirectional Encoding Representations from Transfomers (BERT) model with the Convolutional Neural Network (CNN) model and the Long Short-Term Memory (LSTM) model when all of the above are used for lifelong learning. However, the comparison that was used within the study only used one combination of the sequence of source domains available using 5 source domains when there are in fact 120 possible sequences of source domains when using 5 source domains. Therefore, this study aims to further analyze the accuracy of the model in Osmardifa’s research when tested and trained using the other 120 possible learning orders of the model. Further simulations on the previously unused sequences using the BERT model showed better results than the sequence of source domains that was used in previous studies. The Capres – Jenius – Shopback – Ecom- Grab sequence showed the best resulting accuracy for the retain of knowledge tests which used the Capres dataset as the first source domain (Source Domain 1), said sequence of source domains had a final accuracy of 82.49% which is a 1.53% increase compared to previous results. The transfer of knowledge tests also showed that the Capres – Jenius – Grab – Ecom – Shopback sequence gave the best overall results with a final accuracy of 91.32% which is an increase of 1.72% compared to the previous study. Further analysis on the results of the simulations were done to check whether or not there was an underlying pattern or reason for this difference in accuracy, however no conclusive pattern or reasons were found."

"Kemajuan teknologi memicu pertumbuhan industri teknologi dan mendorong masyarakat untuk menggunakan smartphone, terutama untuk berkomunikasi di media sosial. Media sosial merupakan tempat yang efektif untuk mencari berbagai informasi. Oleh karena itu, media sosial menyimpan banyak data, terutama data tekstual. Data tersebut muncul dari para pengguna yang jumlahnya meningkat pesat. Data tekstual bisa digunakan untuk analisis sentimen. Skripsi ini membahas analisis sentimen untuk melihat kecenderungan suatu informasi dari penulisnya. Analisis sentimen mengklasifikasikan data tekstual menjadi kelas sentimen positif dan negatif. CNN merupakan salah satu algoritma deep learning yang dapat mengklasifikasi data tekstual. Model dari algoritma CNN menunjukkan hasil yang cukup baik dalam mengkalsifikasi permasalahan analisis sentimen dengan bantuan lifelong learning. Lifelong learning merupakan machine learning yang menyerupai proses belajar pada otak manusia. Proses yang dijalankan yaitu dengan memanfaatkan hasil pembelajaran dari masa lalu untuk membantu pembelajaran pada masa depan. 4 dataset dengan domain yang berbeda, dijalankan menggunakan model CNN pada proses Lifelong learning dan menghasilkan akurasi yang meningkat, seiring dengan penambahan dataset pada proses training.

---

Technological advances are fueling the growth of the technology industry and encouraging people to use smartphones, especially for surfing on social media. Social media is an effective tool to find information. Therefore, social media stores a lot of data, especially textual data. The data came from users whose numbers had increased rapidly. Textual data can be used for sentiment analysis. Sentiment analysis is conducted in this study to obtain the tendency of the authors about an article. Sentiment analysis classifies textual data into a class of positive and negative sentiments. CNN is one of the deep learning algorithms that can classify textual data into positive, negative and natural classes. The model of the CNN algorithm shows good results in classifying the problem of sentiment analysis with the help of lifelong learning. Lifelong learning is a machine learning that resembles the learning process in the human brain. The process that is carried out is by utilizing learning outcomes from the past to help learning in the future. 4 datasets with different domains had ran using the CNN model in the Lifelong learning process, and produced increased accuracy along with the addition of datasets in the training process."

"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. "

"Jepang adalah salah satu negara maju yang mengalami masalah penurunan tingkat kelahiran dan peningkatan populasi lansia. Upaya pemerintah dalam menangani masalah ini antara lain dengan mengeluarkan kebijakan kesejahteraan sosial untuk lansia sebagaimana diatur dalam Undang-Undang Kesejahteraan Sosial Roujin Fukushi Hou , yang pertama kali disahkan pada tahun 1963. Saat ini di Jepang ada banyak perusahaan kesejahteraan sosial yang tumbuh dan NPO Organisasi Nirlaba yang membantu pemerintah dalam layanan perawatan jangka panjang untuk lansia. LTCI Asuransi Perawatan Jangka Panjang adalah skema asuransi yang membantu para lansia dalam perawatan. LTCI diterapkan secara luas di berbagai perusahaan kesejahteraan dan NPO tersebar di seluruh Jepang. Fokus penelitian ini adalah pelayanan lansia oleh NPO yang berdasarkan skema LTCI dengan menggunakan teori New Institutionalism oleh Victor Nee. Lembaga berinteraksi dengan jejaring sosial dan norma sosial dalam mengarahkan tindakan ekonomi. Lembaga adalah struktur sosial yang memberikan pedoman untuk tindakan bersama dengan mengatur kepentingan mereka sendiri. Hipotesis dalam penelitian ini adalah perlunya keberadaan NPO yang memiliki skema LTCI sebagai wakil pemerintah dalam pelayanan kesejahteraan sosial untuk lansia. Penelitian ini akan difokuskan di kota Tokyo, Jepang. Penelitian ini menggunakan metode kualitatif melalui studi pustaka dan dokumen. Data bersumber dari pemerintah dan pernyataan yang diterbitkan dan jurnal, buku dan situs internet.

---

Japan is one of the developed countries that experienced problems of declining birth rates and an increase in the elderly population. The government 39 s efforts in dealing with this issue are, among others, by issuing a social welfare policy for the elderly as stipulated in the Social Welfare Act Roujin Fukushi Hou , which was first enacted in 1963. Currently in Japan there are a lot of growing social welfare companies and NPOs Non Profit Organization that help government in long term care service for elderly. LTCI Long Term Care Insurance is an insurance scheme that helps the elderly in care. LTCI is widely applied in various welfare companies and NPOs are scattered throughout Japan. The focus of this research is the elderly service by NPO based on the LTCI scheme by using New Institutionalism theory by Victor Nee.. Institutions interact with social networks and social norms in directing economic actions. Institutions are social structures that provide guidelines for joint action by regulating their own interests. The hypothesis in this research is the need of existence of NPO which have LTCI scheme as representative of government in social welfare service for elderly. This research will be focused in the city of Tokyo, Japan. This research uses qualitative method through literature study and documents. Data sourced from government and published statements and journals, books and internet sites."