Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKPada tesis ini diuraikan bagaimana membuat suatu Implementasi Pengajaran Berbantuan Komputer(PBK) terhadap matematika Sekolah Menengah Tingkat Atas(SMTA) yang bertujuan membantu siswa dalam mempelajari program linear lewat komputer dengan menggunakan kemampuan fasilitas grafik komputer seperti garis, bunyi, dan warna. Penggunaan fasilitas grafik ini diharapkan dapat membuat proses belajar matematika lebih visual, efieien, dan manarik minat siswa untuk menggunakan komputer dan belajar matematika.Sistem PBK ini dibuat dengan menggunakan model desain dari Roblyer and Hall (Jona88) yang terdiri dari tiga faset desain, pra-pemrograman, dan pemrograman. Data dan Strategi pengajaran yang didapat pada phase desain meliputi materi tujuan dari hasil belajar yang akan dicapai dan disesuaikan dengan tingkat kemampuan siswa, mengaplikasikan komponen display teori dan aspek-aspek motivasi ARCS(Attention, Relevan, Confidence, dan Satisfational) model untuk membuat sistem PBK lebih interaktif, efektif, dan motivatif. Phase kedua, pendesainan program mulai dengan mendesain data yang didapat pada phase 1 kemudian menggambarkan stratagi belajar mengajar dengan diagram alur dan aiterjamahkan ke algoritma yang menjadi dasar pada pemrograman.Sistem PBK yang diseleeaikah pada mikrokomputer IBM PC menggunakan sistem Operasi DOS versi 5.3 dan bahasa pemrograman Pascal dengan Kompiler Turbo Pascal versi 5.5. Pemakaian mouse dapat dilakukan disamping tombol keyboard pada menu interface yang dapat membuat sistem bersifat user friendly/

---

AbstractIn this thesis is described how to develop the implementation Computer Assisted ABSTRACT of Instruction (CAI) to Linear Programming in Senior High School in order to help student to study mathematics using computer,in which the capabilities of computer graphics such as line, sound, and color are utilized. Learning using graphics is intended to enhance the visualization, attention, and learning rantetion of students in studying mathematics.The development of this Cal or Courseware that using Courseware Model Design[Jona88] is presented in three phase: design, pre-programming, and phase programming. In Phase design is described how to plan learning outcome, the events of instruction, learning strategies, applying component display theory and motivational strategies, so that the learning proses more interactive, effective, and motivational. ln the phase pre-programming, data and strategy from phase design are drawn into flowcharts, and pseudocode in a bloock program are made. Good program design can mane more easy and tc decrease errors in phase of programming where the code of program is written and in computer.Courseware is implemented in IBM PC microcomputer using Operating System NS-DOS version 3_3 and Turbo Pascal language. Besides Keyboard, mouse is provided in using user friendly menu interface as a personal control of students."

"Berbagai penelitian menyatakan bahwa pelajar mengalami kesulitan untuk mempelajari konsep dasar pemrograman dikarenakan motivasi yang rendah maupun persepsi yang kurang tepat terhadap pemrograman sebelum menekuni bidang teknologi informasi. Beberapa penelitian mencoba menjawab masalah tersebut dengan melibatkan video game ke dalam pembelajaran. Walaupun penelitian-penelitian tersebut menyimpulkan bahwa pembelajaran berbasis game memiliki kontribusi terhadap motivasi belajar dan pemahaman siswa, belum ada penelitian yang mengembangkan game yang secara khusus merupakan penerapan dari teori belajar seperti teknik scaf olding yang sudah diterapkan pada pembelajaran konvensional. Berangkat dari isu tersebut, di dalam penelitian ini dikembangkan Scaf code INC., sebuah game pembelajaran untuk memperkenalkan konsep dasar pemrograman kepada pelajar sekolah menengah yang dikembangkan dengan menerapkan teknik scaf olding di dalam elemen-elemennya. Scaf code INC. kemudian dievaluasi dengan metode playtesting dengan model evaluasi MEEGA+. Dari hasil evaluasi tersebut disimpulkan Scaf code INC. merupakan game yang cukup baik untuk memperkenalkan konsep pemrograman kepada pelajar, namun masih dapat dikembangkan lebih lanjut dari sisi tampilan antarmuka dan tingkat kesulitan tantangan untuk meningkatkan pengalaman belajar dan bermain serta pemahaman yang lebih mendalam.......Various studies state that students have difficulties to learn the basic concepts of programming due to low motivation and inaccurate perceptions of programming before pursuing the field of information technology. Several studies have tried to answer this problem by involving video games in learning. Although these studies conclude that game-based learning has a contribution to students' learning motivation and understanding, there has been no research that has developed games that specifically are the application of learning theories such as scaffolding techniques that have been applied to conventional learning. Based on this issue, in this research, Scaf code INC. was developed, a learning game to introduce the basic concepts of programming to high school students which was developed by applying scaffolding techniques in its elements. Scaf code INC. then evaluated by the playtesting method with the MEEGA+ evaluation model. From the evaluation results, it was concluded that Scaf code INC. is a game that is good enough to introduce programming concepts to students, but can still be developed further in terms of the interface and the difficulty level of the challenge to improve the learning and playing experience as well as a deeper understanding."

"Penelitian ini melakukan pengembangan integrasi metode perangkum abstraktif dengan metode ekstraktif dalam merangkum teks berita yang melebihi input maksimal dari model machine learning. Penggabungan metode abstraktif dan ekstraktif menciptakan rangkuman yang lebih natural tanpa kehilangan makna semantiknya, serta menyelesaikan keterbatasan jumlah input maksimal dari model machine learning yang digunakan pada metode abstraktif. Bagian abstraktif dibuat menggunakan model machine learning yang menggunakan arsitektur Transformer, yaitu model BART. Bagian ekstraktif menggunakan algoritma gabungan untuk melakukan pembobotan tiap kalimat menggunakan term frequency – inverse document frequency (TF-IDF), konjungsi antar kalimat, dan peletakan kalimat pada paragraf yang dapat diidentifikasi menggunakan algoritma pemrograman. Dataset yang digunakan adalah benchmark IndoSum, yaitu dataset bahasa Indonesia untuk merangkum teks, sehingga dapat dievaluasikan dengan model pada penelitian yang serupa. Beberapa pengujian dilakukan pada model BART dan tokenizer, dengan nilai ROUGE Score menunjukan adanya peningkatan pada tokenizer bahasa Indonesia ketimbang bahasa Inggris. Hasil evaluasi pada finetuning model BART mendapatkan nilai ROUGE Score sebesar 0,725 untuk ROUGE-1, 0,635 untuk ROUGE-2, 0,699 untuk ROUGE-L, dan 0,718 untuk ROUGE-Lsum, menjadikan model BART lebih tinggi pada beberapa model lainnya pada riset terkait. Human evaluation dilakukan pada hasil integrasi, menunjukan hasil yang baik untuk morfologi, semantik, dan kenaturalan rangkuman, namun masih buruk untuk kesalahan pengetikan.......This research develops the integration of abstractive summarization methods with extractive methods in summarizing news texts that exceed the maximum input from the machine learning model. Combining abstractive and extractive methods creates a more natural summary without losing its semantic meaning, and resolves the limitations of the maximum number of inputs from the machine learning model used in the abstractive method. The abstractive part was created using a machine learning model that uses the Transformer architecture, namely the BART model. The extractive section uses a combined algorithm to weight each sentence using term frequency - inverse document frequency (TF-IDF), conjunctions between sentences, and placement of sentences in paragraphs that can be identified using a programming algorithm. The dataset used is the IndoSum benchmark, namely an Indonesian language dataset for summarizing text, so that it can be evaluated with models in similar research. Several tests were carried out on the BART model and tokenizer, with the ROUGE Score showing an increase in the Indonesian language tokenizer compared to English. The evaluation results of finetuning the BART model obtained a ROUGE Score of 0.725 for ROUGE-1, 0.635 for ROUGE-2, 0.699 for ROUGE-L, and 0.718 for ROUGE-Lsum, making the BART model higher than several other models in related research. Human evaluation was carried out on the integration results, showing good results for morphology, semantics and naturalness of summaries, but still poor results for typing errors."

"

Tesis ini membahas tentang evaluasi pencapaian outcome dari Program Indonesia Digital Learning yang dilaksanakan oleh PT. Telkom Indonesia pada tahun 2016 sampai dengan tahun 2017. Penelitian ini menggunakan pendekatan kualitatif dengan jenis penelitian evaluatif. Adapun pengumpulan data menggunakan metode wawancara mendalam dan observasi. Wawancara mendalam dilakukan kepada 7 orang informan yang terdiri atas 2 orang panitia pelaksana program dan 5 orang peserta yang mengikuti seluruh rangkaian program dari awal sampai akhir. Adapun observasi yang dilaksanakan dalam penelitian ini dilakukan kepada 3 orang peserta program yang juga mengikuti program secara menyeluruh. Hasil penelitian menunjukan bahwa rangkaian pelatihan pembelajaran berbasis digital secara intensif yang diberikan kepada tenaga pendidik mampu meningkatkan kemampuan dasar digital yang dimiliki oleh peserta. Program ini membuat peserta yang awalnya sebagai pengguna dasar perangkat pembelajaran digital menjadi instruktur terlatih. Peserta program menjadi mampu menghadirkan ragam pembelajaran berbasis digital di kelas yang mereka ajar sekaligus mampu berkolaborasi dan berbagi kepada tenaga pengajar lain di sekolah mereka maupun di tingkat pelatihan nasional. Selain itu, hasil penelitian ini juga menunjukan bahwa aspek input dan proses program menjadi faktor yang mempengaruhi keberhasilan pencapaian outcome program. Standarisasi peserta program, kurikulum, materi pelatihan, instruktur program, serta reward yang diberikan kepada peserta menjadi faktor input yang mempengaruhi keberhasilan program. Proses seleksi peserta di awal program dan penjurian yang selektif juga menjadi bagian dari aspek proses yang berpengaruh dalam pencapaian outcome program ini.

 

---

This thesis discusses the outcome evaluation of the Indonesia Digital Learning Program implemented by PT. Telkom Indonesia from 2016 to 2017. This research used a qualitative approach with an evaluative research type. The data collection methods were in-depth interviews and observations. The in-depth interviews were conducted with seven informants consisted of two program committee members and five participants who were participated in the entire program from the beginning to the end. The observations carried out in this study were conducted through three program participants who were also participated in the whole program. The results of the study showed that the intensive digital-based learning training series provided to the educators were able to improve the basic digital capabilities of the participants. This program enabled participants who, initially, were basic users of digital learning devices became trained instructors. The program participants were able to deliver various digital-based learning in the classes they taught and able to collaborate and share with other teaching staff in their schools and in the national training level. In addition, the result of this study also showed that the inputs and program process aspects determined the achievement of program outcomes. Standardization of program participants, curriculum, training materials, program instructors, and the given rewards to participants were input factors that influenced the success of the program. The participant selection process at the beginning of the program and selective appraisal were also part of the process aspects that contributed to the accomplishment of program outcomes.

 

"

"ABSTRACTBig data or Data driven farming have been the latest improvement in agricultural sector. Data driven farming allows farmers to maximize the output of harvest by processing any significant data gathered regarding the crop. With the data of the crop available, it opens the possibility of evaluating the data to make a model for the crop. This model will allow predictions to be made which would improve the data driven farming to an extent. This project is based on improving Farmbot, a data driven farming tool, to allow the makings of a prediction based on sensor readings gathered by the tool. Several machine learning algorithms have been evaluated which takes account two sensor reading of the plant, and performances have been discussed. These parameters include soil moisture and light exposure level and the performance level gauged are predictability and interpretability. Based on the said parameters, Decision Tree Machine Learning Algorithm have been deemed the best method of prediction for a 2 class problem. This is based on its ability to make a prediction with relatively high confidence level with the addition of having high interpretability about how the algorithm come to the said conclusion. Decision Trees current state may be improved by implementing tree pruning method to omit unnecessary splits.

---

ABSTRACTBig-Data Farming atau pertanian berbasis data merupakan perkembangan mutakhir pada sektor agrikultur. Dengan berbasis data mengenai asupan cahaya dan tingkat kelembaban, petani dapat memaksimalkan hasil panen dari suatu tanaman dengan memproses data mengenai tanaman tersebut. Dengan menyediakan data mengenai tanaman, hal ini memungkinkan pengolahan data dan membuat model yang menggambarkan pengaruh data ndash; data yang diperoleh dengan hasil panen suatu tanaman. Proyek ini dilaksanakan atas dasar mengembangkan sistem Farmbot, sebuah alat tanam automatis berbasis data, untuk menyediakan prediksi tentang bagaimana hasil panen tanaman tersebut berdasarkan data yang diperoleh dari sensor yang terdapat pada alat tersebut. Kemampuan Farmbot untuk melakukan perdiksi tersebut bisa dilakukan dengan mengimplementasikan algoritma Machine Learning, Dengan adanya berbagai macam algoritma Machine Learning, pemilihan algoritma yang paling tepat untuk implementasi Farmbot juga merupakan salah satu bahan pembahasan. Berhubung 2 parameter yang telah disebutkan merupakan kunci dari pembuatan model prediksi, algoritma Decision Tree dianggap sebagai algoritma yang paling optimal untuk diimplementasikan. Keputusan ini berdasarkan kemampuan Decision Tree dalam membuat prediksi dengan tingkat keyakinan yang tinggi dan juga berkemampuan untuk menggambarkan langkah langkah yang ditempuh untuk mencapai suatu prediksi. Algoritma Decision Tree yang telah diimplementasikan pada Farmbot dapat ditingkatkan dengan mengimplementasikan metode Tree Pruning untuk menghilangkan perpisahan yang tidak dibutuhkan."

"ABSTRACTOsteoartritis adalah penyakit sendi kronis pada tulang rawan yang sering terjadi pada orang berusia lanjut. Penyaki ini umumnya terjadi pada tulang rawan sendi lutut Orang berusia lanjut sering menyepelekan perasaan sakit di sekitar sendi mereka atau tidak menyadari bahwa mereka telah terkena osteoartritis lutut, sehingga penyakit osteoartritis lutut yang mereka alami menjadi semakin kronis. Menurut beberapa penelitian, melakukan tindakan sejak stadium dini dapat mencegah penyakit. Salah satu tindakan untuk mencegah osteoartritis lutut agar tidak semakin kronis adalah mendeteksi penyakit tersebut sejak dini, sehingga pasien osteoartritis lutut dapat mendapatkan pengobatan yang tepat dan dapat memperbaiki kehidupan mereka di masa yang akan datang. Pada penelitian ini, osteoartritis lutut dideteksi dengan mengklasifikasikan stadium pasien osteoartritis lutut menggunakan AdaBoost Support Vector Machine dan AdaBoost Decision Tree. Klasifikasi osteoartritis lutut menggunakan AdaBoost Support Vector Machine dibandingkan dengan klasifikasi oteoartritis lutut menggunakan AdaBoost Decision Tree berdasarkan nilai akurasi klasifikasi yang dihasilkan dari kedua metode tersebut.

---

ABSTRACTOsteoarthritis is a chronic joint disease of cartilage that often occurs in elderly people. One of the joints that can be infected is the knee. Older people often underestimate painful feeling around their joint or do not realize that they have been affected by knee osteoarthritis, so the knee osteoarthritis disease becomes more chronic. According to some studies, preventive measure from an early stage are very crucial to overcome the disease. One of the preventive measure to overcome knee osteoarthritis is to detect the current stage of the disease, so the knee osteoarthritis patient can have the right treatment and can improve their lives in the future. In this research, knee osteoarthritis was detected by classifying the stage of knee osteoarthritis patients by using AdaBoost Support Vector Machine and AdaBoost Decision Tree. The classification of knee osteoarthritis using AdaBoost Support Vector Machine was compared with the classification of knee osteoarthritis using AdaBoost Decision Tree based on the classification accuracy value generated from both methods."

"Dengan memperhatikan serta menyusun pola makan, kesehatan tubuh dapat meningkat dikarenakan nutrisi yang didapatkan oleh tubuh. Pemanfaatan machine learning, melalui model deteksi multiobjek, dapat membantu pendeteksian berbagai jenis makanan hanya dengan input sebuah gambar. Dengan terdeteksinya jenis makanan digabungkan dengan output berupa nutrisi yang terkandung dalam makanan dapat membantu dalam mengatur pola makan. Pengaturan pola makan dengan memanfaatkan deteksi objek dapat dilakukan dengan pelatihan sebuah dataset dengan menggunakan algoritma YOLO. Pendeteksian makanan yang dilakukan dengan menggunakan algoritma YOLO memerlukan acuan evaluasi dengan tujuan meningkatkan akurasi dari deteksi yang dilakukan, yang mana merupakan alasan dari pengukuran mAP. Penggunaan arsitektur YOLOv7 terlihat dapat menghasilkan model yang lebih baik dibandingkan YOLOv5 dengan mAP 0,947. Penggabungan YOLOv7 dengan dataset yang berisikan multiclass single image juga berhasil dalam melakukan deteksi multi-object makanan sesuai dengan kategori yang telah ditentukan. Dengan tujuan penggunaan model oleh masyarakat luas, model deteksi jenis makanan diimplementasikan dalam bentuk aplikasi mobile dengan basis Java. Implementasi dalam bentuk aplikasi membuat masyarakat luas dapat memanfaatkan model deteksi objek sebagai salah satu acuan pemilihan pola makan yang lebih sehat.......By paying attention to and compiling a diet, body health can improve due to the nutrients the body gets. Utilization of machine learning, through a multi-object detection model, can help detect various types of food only by inputting an image. Diet adjustment using object detection can be done by training a dataset using the YOLO algorithm. Food detection carried out using the YOLO algorithm requires an evaluation reference with the aim of increasing the accuracy of the detection carried out, which is the reason for using mAP.. The use of the YOLOv7 architecture seems to produce a better model than YOLOv5 with a mAP of 0.947. Merging YOLOv7 with a dataset containing multiclass single images was also successful in detecting multi-object food according to predetermined categories. With the aim of using the model by the wider community, a food type detection model is implemented in the form of a mobile application based on Java. Implementation in the form of an application allows the general public to utilize the object detection model as a reference for choosing a healthier diet."

"Kepolisian Republik Indonesia (Polri) merupakan alat negara yang terus berusaha memberikan pelayanan publik secara prima salah satu nya dengan melakukan inovasi dengan memanfaatkan teknologi dalam memberikan pelayanan SIM melalui aplikasi bernama Digital Korlantas Polri. Namun sejak aplikasi tersebut diluncurkan pada tahun 2021 hingga tahun 2022 terdapat pemberitaan di berita online terkait kendala pada aplikasi dalam perpanjangan SIM online yang tidak berjalan sebagaimana semestinya. Penelitian ini bertujuan untuk melihat bagaimana pandangan masyarakat sebagai pengguna layanan dari Twitter dan Play Store. Data yang digunakan dalam penelitian ini berasal dari Twitter dan Play Store sebanyak 5944 data. Analisis dilakukan dengan membangun model klasifikasi relevansi, aspek, dan sentimen pada aspek reliability, efficiency, trust, dan citizen support. Algoritma yang digunakan yaitu Decision Tree, Logistic Regression, dan SVM. Hasil pemodelan klasifikasi dengan performa yang paling tinggi dalam klasifikasi relevansi, aspek, dan sentimen pada tiap aspek dihasilkan oleh algoritma Logistic Regression dengan TF-IDF unigram dan SMOTE. Pada model klasifikasi relevansi didapatkan nilai accuracy sebesar 87.05%, precision sebesar 87.38%, recall sebesar 87.04%, dan f1 score sebesar 87.16%. Pada model klasifikasi aspek, nilai accuracy sebesar 74.28%, precision sebesar 75.93%, recall sebesar 74.27%, dan f1 score sebesar 74.70%. Pada model klasifikasi sentimen pada masing-masing aspek, model klasifikasi sentimen pada aspek citizen support mendapatkan nilai yang paling tinggi dibanding aspek lain yaitu dengan nilai accuration sebesar 95.38%, precision sebesar 95.60%, recall sebesar 95.38%, dan f1-score sebesar 94.05%. Pada penelitian ini menghasilkan temuan sentimen pada masing-masing aspek dalam layanan perpanjang SIM online di aplikasi Digital Korlantas Polri dimana reliability merupakan aspek yang paling banyak dikemukakan dan mendapat sentimen negatif, kemudian diikuti oleh aspek efficiency, citizen support, dan aspek trust.......The Indonesian National Police (Polri) continues to strive to provide excellent public services, one of which is by innovating by utilizing technology in providing SIM services through an application called Digital Korlantas Polri. However, since the application was launched in 2021 to 2022 there have been reports in online news regarding problems with applications, so it is necessary to conduct research regarding how the public views the application as service users and maps these views into aspects which affect the quality of government services so that service providers can take improvement to realize excellent service delivery. The data used in this study are from Twitter and Play Store as many as 5944 data. The analysis is carried out by building a classification model of relevance, aspect, and sentiment on the aspects of reliability, efficiency, trust, and citizen support. The algorithms used are Decision Tree, Logistic Regression, and SVM. The results of classification modeling with the highest performance in the classification of relevance, aspect, and sentiment for each aspect were produced by the Logistic Regression algorithm with the TF-IDF unigram and SMOTE. In the relevance classification model, the accuracy value is 87.05%, precision is 87.38%, recall is 87.04%, and f1 score is 87.16%. In the aspect classification model, the accuracy value is 74.28%, precision is 75.93%, recall is 74.27%, and f1 score is 74.70%. In the sentiment classification model for each aspect, the sentiment classification model for the citizen support aspect gets the highest score compared to other aspects, namely with an accuracy value of 95.38%, a precision of 95.60%, a recall of 95.38%, and an f1-score of 94.05% . This study produced sentiment findings for each aspect of the online SIM service in the Digital Korlantas Polri application where reliability was the aspect that was most frequently raised and received negative sentiment, followed by aspects of efficiency, citizen support, and trust."