Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pandemi Covid-19 memberikan perubahan besar pada bidang Pendidikan. Perubahan tersebut adalah proses pembelajaran berubah menjadi pembelajaran dalam jaringan (daring). Dalam melaksanakan pembelajaran daring, mahasiswa Universitas Indonesia (UI) menggunakan sistem E-learning Management Systems (EMAS). Perubahan proses pembelajaran memberikan kekhawatiran terhadap kinerja mahasiswa dalam mengikuti pembelajaraan daring. Kinerja mahasiswa dapat diprediksi menggunakan salah satu metode pada Machine Learning, yaitu Random Forest. Metode Random Forest membuat sekumpulan Decision Tree dan menggabungkan pohon (tree) yang dibangun menjadi hutan (forest). Random Forest menggunakan hasil prediksi dari setiap Decision Tree, kemudian dipilih hasil prediksi terbanyak (majority vote) sebagai hasil akhir. Dalam skripsi ini, data yang digunakan adalah data rekapitulasi aktivitas mahasiswa menggunakan EMAS. Data dipisahkan menjadi dua data berdasarkan periode masa pembelajaran mata kuliah daring X. Pada periode 1 digunakan data dari minggu ke-1 hingga ke-4, sedangkan periode 2 data dari minggu ke-1 hingga ke-8. Model Random Forest terbaik didapatkan berdasarkan nilai G-Mean tertinggi. Nilai G-Mean menunjukkan keseimbangan antara kinerja klasifikasi pada data kelas mayoritas maupun minoritas. Hasil terbaik dalam memprediksi kinerja mahasiswa dengan model Random Forest adalah data periode 1 dengan nilai G-Mean tertinggi sebesar 0,9888. Periode waktu terbaik dalam memprediksi kinerja mahasiswa dilakukan pada empat minggu pertama masa pembelajaran mata kuliah daring X.

---

The Covid-19 pandemic has brought major changes to the education sector. The change is that the learning process turns into online learning. In carrying out online learning, University of Indonesia (UI) students use the E-learning Management Systems (EMAS) system. Changes in the learning process raise concerns about student performance in participating in online learning. Student performance can be predicted using one of the methods in Machine Learning, namely Random Forest. The Random Forest method creates a set of Decision Trees and combines the trees that were built into a forest. Random Forest uses the predicted results from each Decision Tree, then chooses the most prediction results (majority vote) as the final result. In this study, the data used is a data recapitulation of student activities using EMAS. The data are separated into two data based on the learning period of the online course X. In period 1, data from the 1st to 4th week is used, while the 2nd period of data is from the 1st to the 8th week. The best Random Forest model was obtained based on the highest G-Mean value. The G-Mean value shows the balance between classification performance on the majority and minority class data. The best result in predicting student performance with the Random Forest model is period 1 data with the highest G-Mean value of 0.9888. The best time period for predicting student performance is in the first four weeks of the online course X."

"Menanggapi permintaan global akan transportasi yang berkelanjutan, pasar kendaraan listrik (EV), khususnya sepeda motor listrik (EM), telah mendapatkan perhatian yang signifikan. Penelitian ini berfokus pada pemahaman faktor-faktor yang memengaruhi adopsi kendaraan listrik di Jakarta, ibu kota Indonesia, dengan menggunakan Extreme Gradient Boosting (XGBoost), dan mengatasi tantangan data yang tidak seimbang melalui Synthetic Minority Over-sampling Technique (SMOTE). Dengan menganalisis data survei, penelitian ini memprediksi adopsi EM berdasarkan berbagai faktor sikap, demografi, paparan EM, dan faktor yang berhubungan dengan kendaraan. Penelitian ini menunjukkan hasil yang menjanjikan dengan Model Evaluasi yang menunjukkan presisi tinggi (0,747), recall (0,755), dan F1 Score (0,705). Yang paling penting adalah nilai G-Mean sebesar 0.809, yang menunjukkan kinerja model yang kuat dalam menangani data yang tidak seimbang. Penerapan SMOTE secara signifikan berkontribusi pada peningkatan kinerja model, membuat analisis prediktif menjadi lebih andal. Faktor-faktor penentu utama yang memengaruhi adopsi kendaraan listrik termasuk partisipasi dalam acara promosi kendaraan listrik, pengalaman mengendarai kendaraan listrik, dan kepemilikan sepeda motor pribadi. Wawasan ini memberikan panduan yang berharga untuk kebijakan publik dan strategi pemasaran, memastikan pemahaman yang komprehensif tentang faktor-faktor yang berpengaruh terhadap adopsi kendaraan listrik di Jakarta, Indonesia.

---

In response to the global demand for sustainable transportation, the electric vehicle (EV) market, particularly electric motorcycles (EM), has gained significant attention. This research focuses on understanding the factors influencing EM adoption in Indonesia, the capital city of Indonesia, utilizing Extreme Gradient Boosting (XGBoost), and addressing the challenge of imbalanced data through Synthetic Minority Over-sampling Technique (SMOTE). By analyzing Indonesia data, this research predicts EM adoption based on various attitudinal, demographic, EM exposure, and vehicle-related factors. The research shows a promising result with an Evaluation Model that demonstrates high precision (0.747), recall (0.755), and F1 Score (0.705). Especially noteworthy is the G-Mean score of 0.809, indicating a robust model performance in handling imbalanced data. The application of SMOTE significantly contributed to the improvement of model performance, making the predictive analysis more reliable. Key determinants influencing electric vehicle adoption include participation in electric vehicle promotional events, EM riding experience, and personal motorcycle ownership. These insights provide valuable guidance for public policies and marketing strategies, ensuring a comprehensive understanding of the influential factors steering EM adoption in Indonesia, Indonesia."