Hasil Pencarian  ::  Simpan CSV :: Kembali

"Studi ini bertujuan untuk menguji dan membandingkan Skala Kegigihan yang telah dikembangkan (Nu Grit) dengan skala yang telah ada sebelumnya (Grit S). Tujuan lain dari studi ini adalah untuk mengukur Skala Kegigihan (Nu Grit) dengan skala-skala yang mengukur konstruk-konstruk lain, seperti ketelitian dan keberhasilan akademik. Hipotesis utama dari studi ini adalah skor tinggi pada skala Nu Grit memprediksi skor yang tinggi pula pada skala Grit S. Partisipan studi ini adalah dua ratus empat puluh delapan mahasiswa University of Queensland yang mengambil mata kuliah Measurement in Psychology (PSYC3020). Partisipan diminta untuk menyelesaikan survei online yang terdiri dari empat skala ukur yaitu Nu Grit, Grit S, skala validasi ketelitian (NEO Personality Inventories), skala validasi kontrol diri (Self Control Behavior Inventory), dan OP Score untuk memvalidasi keberhasilan akademik. Lalu jawaban dari survei tersebut dikumpulkan melalui Qualtrics. Cronbach Alpha dari studi ini adalah (𝛼 = .86) yang menunjukkan realibilitas skala Nu Grit tergolong tinggi. Selain itu, delapan belas dari sembilan belas item dalam indeks item diskriminasi memperlihatkan angka yang relatif baik. Sesuai dengan hipotesis utama, hasil dari studi ini menunjukkan bahwa mahasiswa yang memiliki skor tinggi pada skala Nu grit juga akan memiliki skor yang tinggi pada skala Grit S (r = .69). Selain itu, hasil menunjukkan korelasi antara kegigihan dengan ketelitian (r = .70), serta korelasi antara kegigihan dengan kontrol diri (r = .60). Namun, studi ini menemukan hubungan yang tidak signifikan antara kegigihan dan keberhasilan akademik (r = -.10). Dengan kata lain, hasil analisis dari studi ini mendukung korelasi Nu Grit dengan Grit S dan ketelitian, tetapi studi ini tidak menemukan korelasi antara Nu Grit dengan keberhasilan akademik.

---

This study is primarily sought to compare and test the newly constructed grit scale (Nu Grit) with the existing grit scale (Grit S). The study also intended to examine the relationships between Nu Grit with the scales that measure other constructs, such as, conscientiousness and academic performance. The main hypothesis of this study is that people who obtained high score in Nu Grit would also obtain high score in Grit S. In this study, 248 undergraduate students of University of Queensland who are enrolled in Measurement in Psychology course (PSYC3020) are involved as participants. The participants completed online surveys that contained four scales that include Nu Grit, Grit S, validating scale for conscientiousness (NEO Personality Inventories), validating scale for self-control (Self-Control Behavior Inventory), and OP Score to validate academic success. All answers of the survey were submitted to Qualtrics. In this case, the reliability of Nu Grit was considered high which could be observed through its Cronbach Alpha (𝛼 = .86). Moreover, 18 out of 19 items in item discrimination indices were found to be relatively good. In accordance to the main hypothesis, the result indicated that people who scored higher in Nu Grit also score higher in Grit S (r = .69). Moreover, the results are corresponding to the second and third hypotheses that grit correlates with conscientiousness (r = 70), and grit correlates with self-control (r = .60). However, the study found non-significant relationship between grit and academic success (r = -.10). To conclude, the findings of this study support the correlation between Nu Grit, Grit S, and conscientiousness, while it does not support the relationship between Nu Grit and academic success."

"Pandemi COVID-19 di kuartal awal 2020 mendorong Universitas Indonesia untuk menetapkan sistem pembelajaran daring dalam menjalankan aktivitas perkuliahan. Prediksi keberhasilan mahasiswa pada masa pembelajaran daring perlu dilakukan sebagai bahan evaluasi pemanfaatan sistem pembelajaran daring selanjutnya. Machine learning merupakan tools untuk melakukan prediksi. Terdapat berbagai model dalam machine learning, salah satu model yang sering digunakan adalah neural network. Multilayer Perceptron (MLP) merupakan salah satu model dari neural network. MLP terdiri dari input layer, hidden layer dan output layer. Nilai pada input layer diproses pada hidden layer dan hasil akhir dihasilkan di output layer. MLP bekerja dengan pembaruan bobot yang membutuhkan 2 fase yaitu forward pass dan backward pass. MLP dengan algoritma optimasi Levenberg-Marquardt digunakan untuk memprediksi keberhasilan akademis mahasiswa. Prediksi yang dilakukan berupa klasifikasi mahasiswa lulus dan tidak lulus. Data yang digunakan merupakan data rekapitulasi aktivitas perkuliahan mahasiswa Departemen Matematika FMIPA UI pada mata kuliah X. Terdapat 2 data yang digunakan untuk memprediksi keberhasilan akademis mahasiswa, yaitu data rekapitulasi aktivitas perkuliahan mahasiswa dari minggu ke-1 hingga ke-4 (periode 1) dan minggu ke-1 hingga ke-8 (periode 2). Hyperparameter yang digunakan adalah 8 buah input neuron, 30 buah hidden neuron untuk hidden layer pertama, 30 buah hidden neuron untuk hidden layer kedua, 1 buah output neuron, 2 buah fungsi aktivasi (tanh dan linear), dan damping factor dengan nilai 3. Evaluasi MLP dalam memprediksi keberhasilan akademis mahasiswa dilakukan dengan menentukan nilai G-mean terbaik. Nilai G-mean menunjukkan kemampuan model dalam mengklasifikasi kelas lulus maupun tidak lulus. Prediksi MLP dengan algoritma optimasi Levenberg-Marquardt menghasilkan G-mean terbesar untuk periode 1 sebesar 0,72 dan periode 2 sebesar 0,86 pada data training dan testing 90:10. Hasil perbandingan prediksi keberhasilan mahasiswa data periode 1 dan periode 2 menunjukkan periode 2 lebih baik digunakan untuk memprediksi keberhasilan akademis mahasiswa.

---

COVID-19 pandemic on first quarter of 2020 urged Universitas Indonesia to distanced learning in doing lecture activities. Distance learning system may cause bad health to students, to such extent that student academic success may be affected. Student academic success prediction on distance learning need to be done as evaluation for future distance learning system. Machine learning is one of solution to perform prediction. There are many methods in machine learning, one of common used methods is neural network. There are many kinds of machine learning, one of the kinds is multilayer perceptron (MLP). MLP is consists of input layer, hidden layer and output layer. Values from input layer are processed in hidden layer and final output are yielded in output layer. MLP has 2 processing phase, which are forward pass and backward pass to do weight updating. MLP with Levenberg-Marquardt optimization algorithm is used for predicting student academic success. Performed prediction is classification of students who passed and failed. The data that is recapitulation of students course activity. Data consists of 2 sub- datas, which are recapitulation of course activity student from week 1 to week 4 (first period) and from week 1 to week 8 (second period). Hyperparameter that are used to bulid MLP are 2 hidden layer, 8 input neuron, 30 hidden neuron for each hidden layer, 1 output neuron, 2 activation function (tanh and linear), damping factor values 3. MLP evaluation of predicting student academic success is based on best G-mean result. G-Mean value shows how model performs in classifying passed students class and failed students class. MLP with Levenberg-Marquardt optimization algorithm implementation yields highest G-mean value, 0,72 and 0,86 from both periods, respectively, on 90:10 training and testing data split. Comparison between results of student academic success prediction with first period and second period indicate that second period is better to be used for predicting student academic success."