Hasil Pencarian  ::  Simpan CSV :: Kembali

""Whether it's for a professional document, a school paper, an Internet blog, or something more personal, effective communication depends on clear, concise, and grammatically correct writing. Punctuation, spelling, and grammar rules can trip up anyone, while organization and word choice can make writing memorable--or banal. Whether you are writing a term paper, a scientific article, a resume, a business email, a text message, or presenting information in the social media, The Handy English Grammar Answer Book is an engaging guide to writing with clarity.""

"Pada kesempatan yang baik ini, saya pilih judul pidato pengukuhan 'Dokter Keluarga Menjawab Tanrangan Kedokteran Masa Depan' yang menurut pengamatan saya perlu diungkapkan dan mudah-mudahan hadirin sekalian dapat memahami bahwa dokter itu tempat kerjanya, tidak hanya di rumah sakit, melainkan di mana-mana.Konsep dokter keluarga bukanlah suatu konsep baru. Dokter praktek umum yang didatangi suatu keluarga tiap kali anggotanya jatuh sakit, akan diakui sebagai dokter keluarganya. Bila dokter tersebut juga diminta oleh suatu perusahaan atau pabrik untuk mengawasi kesehatan karyawannya, maka ia berfungsi sebagai dokter komunitas/sekelompok manusia, yaitu masyarakat karyawan perusahaan/pabrik tersebut. Sebagai dokter umum, ia menangani keluhan pasiennya dengan spektrum kelainan yang lebar. Memang, dia adalah seorang 'generalist' dalam bidang luas pemeliharaanlasuhanlperawatan kedokteran yang tersedia di Indonesia. Namun, sebetulnya diapun seorang 'specialist' berbagai jenis, bukan spesialis suatu alat tubuh yang sakit saja, melainkan dalam pemeliharaan kesehatan perorangan dan keluarganya. Dalam bidang inilah pengetahuan dan kepakarannya penting, lagi pula unik. Kenyataan ini diakui di Amerika Serikat dalam tahun 1947, yaitu dengan didirikannya 'Academy for Family Physicians'. Di Inggris, 'the British College of General Practitioners' menjadi kenyataan dalam tahun 1952.Ciri kedokteran keluarga adalah pelayanan menyeluruh dan holistik atau seluruhnya. Tiada disiplin kedokteran lainnya yang menawarkan pelayanan serupa itu. Dokter keluarga memandang terganggunya kesehatan pasiennya dalam keseluruhannya, bukan sebagai krisis episodik, melainkan terganggunya kesehatan beserta segala masalah terkait dari pasien, keluarga dan komunitasnya sebagai suatu gambaran utuh, bukan secara berkeping-keping.Dalam pernyataannya pada tahun 1991, World Organization of National Colleges, Academies & Academic Associations of General Practitioners/Family Physicians (WONCA) mendefinisikan Dokter Keluarga sebagai berikut :'The general practitioner or Family Physician is the Physician who is responsible for comprehensive health care to every individual seeking medical care and arranging for other health personnel to provide services when necessary. The general practitioner/Family Physician functions as a generalist, who accepts every-one seeking care, whereas other health providers limit access to their services on the basis of age, sex and or diagnosis. The general practitioner/Family Physician cares for the individual in the context of the family and the family in the context of the community, irrespective of race, religion, culture or social class. He/she is clinically competent to provide the greater part of their care after raking into account their cultural, socio-economic and psychological background. in addition, he/she takes personal responsibility for providing comprehensive and continuing care for his patients. The General Practitioner/Family Physician exercises directly or through the -services of others according to the health needs and resources available within the community he/she serves."

"Kontra (counter) pemberitaan adalah konsep hak jawab dari institusi Polri untuk melakukan sanggahan terhadap suatu pemberitaan. Pemberitaan yang perlu dilakukan konter adalah pemberitaan yang dapat mempengaruhi image masyarakat terhadap institusi Polri mendiskriditkan Polda Metro Jaya dan melanggar kode etik jurnalistik). Konter pemberitaan perlu dilakukan untuk mempengaruhi opini publik yang sudah terbentuk oleh pemberitaan sebelumnya. Ketepatan dalam memaknai suatu teks berita merupakan modal utama dalam menyusun atau membuat berita sanggahan, sehingga konter berita yang dibuat benar-benar cepat dan tepat.Penelitian ini dimaksudkan untuk mengetahui pemahaman personil Dispen Poida Metro Jaya terhadap teori analisa semiotik dan analisa wacana yang digunakan sebagai landasan dalam memaknai suatu teks berita, sehingga konter berita yang dibuat sesuai dan benar. Penelitian dilakukan dengan pendekatan kualitatif dengan metode penelitian dokumen. Peneliti ingin memotret gambaran yang terjadi sebelumnya melalui penelitian dokumen dengan analisa semiotik dan analisa wacana khususnya terhadap pemberitaan Tommy Soeharto. Hasil penelitian diharapkan dapat memberikan sumbangan pemikiran bagi institusi Polri khususnya Polda Metro Jaya untuk menentukan kebijakan yang diperlukan, utamanya pada fungsi penerangan Polri.Temuan penelitian menunjukkan bahwa konter berita yang selama ini dilakukan oleh Dispen Polda Metro Jaya tidak dilandasi suatu landasan teori dan konsep yang mendukung, yaitu analisa semiotik dan analisa wacana. Personil Dispen Polda Metro Jaya dalam melakukan tugas pokoknya masih mengacu pada produk-produk (Juklak/Juknis) yang dibuat pada tahun 1991 dan 1993, sehingga konsep yang ada dalam Juklak/Juknis tersebut masih mengacu pada kebijakan Mabes ABRI. Kondisi ini bertentangan dengan kemandirian Polri yang mengarah civilian society, dampaknya sangat berpengaruh terhadap otoritas dan kreativitas para personil Dispen Polda Metro Jaya serta kecepatan konter berita sampai pada masyarakat.Kepustakaan : 35 buku6 Petunjuk Pelaksanaan (Juklak)Kliping Koran Khusus pemberitaan Tommy Soeharto."

"ABSTRAKPenelitian ini bertujuan untuk menelisik pengaruh strategi QAR terhadappengajaran pemahaman membaca teks recount siswa sekolah menengah pertama.Penelitian ini merupakan penelitian kuasi eksperimen dengan desain penelitianadalah non-equivalent comparison group design. Kuesioner, observasi danwawancara digunakan untuk mengetahui respon siswa terhadap pengajaranpemahaman membaca teks recount dengan strategi QAR. Sampel penelitian iniadalah siswa kelas VIIIA dan kelas VIIID. Teknik analisis data yang digunakanadalah uji-t dengan taraf signifikansi 5%. Berdasarkan data yang diperoleh,simpulan hasil penelitiaan ini adalah (1) terdapat perbedaan kemampuanpemahaman membaca teks recount antara siswa yang diajar menggunakan strategiQAR dengan yang diajar tanpa menggunakan strategi QAR pada siswa kelas VIIISMP Negeri 3 Tanjungpandan, (2) strategi QAR mampu meningkatkanpemahaman membaca teks recount siswa SMP Negeri 3 Tanjungpandan, dan (3)siswa menunjukkan respon positif terhadap pengajaran pemahaman membaca teksrecount dengan strategi QAR

---

ABSTRACTThe aim of this study is to present the effects of QAR strategy inteaching reading comprehension recount text of junior high school level. Thestudy is a quasi-experimental research with non-equivalent comparison groupdesign. A questionnaire, observation and interview were used to find out thestudent?s perception about QAR strategy. The sample of this study was VIIIA andVIIID. The data were analyzed through t-test significance 5%. Based on the data,The findings of this study indicated that (1) Ho was rejected, and Ha1 wasaccepted. In other words, there is a significant difference between experimentalgroup and control group, (2) QAR strategy could improve reading comprehensionrecount text of junior high school level, and (3) there was positive responsetowards teaching reading comprehension recount text through Question AnswerRelationship (QAR) strategy"

"ABSTRAKPada skripsi ini akan dibahas mengenai pengaruh dari banyak kata dan rasio panjang jawaban yang dimasukkan oleh mahasiswa terhadap keakuratan penilaian yang diperoleh pada SIMPLE-O. Banyak kata dan rasio panjang jawaban yang dimasukkan adalah salah satu faktor tidak langsung yang mempengaruhi keakuratan penilaian. Banyak kata dan rasio panjang jawaban memberikan peluang terjadinya perulangan kata kunci atau kata bobot sehingga mempengaruhi proses penilaian pada sistem. Semakin banyak kata pada jawaban yang dimasukkan, semakin besar kemungkinan terjadinya perulangan kata kunci atau kata bobot sehingga nilai yang dihasilkanpun akan semakin besar. Sementara rasio panjang jawaban mahasiswa terhadap panjang jawaban referensi tidak memberi pengaruh yang besar terhadap keakuratan penilaian SIMPLE-O. Analisis pengaruh banyak jawaban terhadap keakuratan penilaian pada SIMPLE-O dilakukan dengan menggunakan variabel banyak kata yang berbeda-beda. Terdapat 6 variabel yang digunakan sebagai bahan analisis, yaitu variabel banyak kata jawaban 50 kata, 100 kata, 150 kata, 200 kata, dan 300 kata. Korelasi nilai antara SIMPLE-O dan human rater pada variabel 50 kata adalah 0.1351, untuk variabel 100 kata korelasinya adalah 0.3030, untuk variabel 150 kata korelasinya adalah 0.1861, untuk variabel 200 kata korelasinya adalah 0.1189, untuk variabel 250 kata nilai korelasinya berlawanan arah atau bernilai negatif yaitu -0.1555, dan untuk variabel 300 kata nilai korelasinya adalah sebesar -0.2764. Waktu proses pada variabel 50 kata lebih cepat dibandingkan variabel lainnya yaitu sebesar 0.3654606

---

ABSTRACTThis paper will discuss about the influence of words number and answer?s length ratio on essay test to the system accuracy in SIMPLE-O. Words number and answer?s length ratio is one of the undirectly factors that affecting the accuracy of the assessment in SIMPLE-O. Word?s number and answer?s length ratio gives the chance of recurrence keywords or weight that affecting the assessment process on the system. The more words is entered, the greater the chances of recurrence keywords or weights so that the resulting value will be even greater. While answer?s length ratio of students to the answer?s length of the reference does not give a great influence on the accuracy of the system valuation. The analyses were performed using variables of different answer?s words number. There are six variables used for analysis, namely 50 words variable, 100 words variable, 150 words variable, 200 words variable and 300 words variable. Correlation values between SIMPLE-O and human rater on 50 words variable is 0.1351, for the 100 words variable correlation is 0.3030, for the 150 words variable correlation is 0.1861, for the 200 words variable correlation is 0.1189, for the 250 words variable correlation is -0.1555, and for the 300 words scenario correlation is -0.2764. The processing time in the 50 words variable is quicker than other scenarios that is equal to 0.3654606"

"

Pada zaman modern ini, implementasi chatbot digunakan untuk menyimpan data yang dikumpulkan melalui sistem tanya jawab, yang dapat diterapkan dalam program Python. Data yang akan digunakan dalam program ini adalah Cornell Movie Dialog Corpus yang merupakan dataset yang berisi korpus ini berisi kumpulan percakapan fiksi kaya metadata yang besar yang diekstraksi dari skrip film Penerapan chatbot dalam program Python, dapat menggunakan berbagai macam model, secara spesifik pada program ini akan diterapkan model LSTM, dan model BiLSTM. Penerapan chatbot dalam program Python, dapat menggunakan berbagai macam model, secara spesifik pada program ini akan diterapkan model LSTM, dan model BiLSTM. Hasil output dari program chatbot dengan penerapan model LSTM, dan BiLSTM adalah berupa akurasi, serta kumpulan data yang sesuai dengan informasi yang pengguna masukkan dalam input kotak dialog chatbot. Pemilihan model yang dapat diterapkan berdasarkan karakteristik data dapat mempengaruhi kinerja program, dengan tujuan program agar dapat menentukan tinggi atau rendahnya tingkat akurasi yang akan dihasilkan dari hasil yang diperoleh melalui sebuah program, yang dapat dijadikan faktor utama dalam menentukan model yang dipilih. Berdasarkan pertimbangan yang menjadi syarat pemilihan model dari sebuah program, pada akhirnya dipilih model LSTM, dan BiLSTM sebagai model yang akan diterapkan ke dalam program. Selain pemilihan model, berikutnya adalah menentukan metode yang digunakan dalam program, pada program ini dipilih metode greedy sebagai bentuk implementasi model LSTM dan model BiLSTM, dengan tujuan ketika dalam menjalankan program, waktu pengolahan data dapat lebih cepat, dan meningkatkan akurasi pada model yang dipilih pada program. Selain itu, atribut pendukung seperti seq2seq model, menjadi faktor penentu dalam sebuah program yang dapat berfungsi untuk memverifikasi pengolahan data apakah sesuai dengan kriteria yang dapat dijadikan sebagai pedoman dalam pengolahan data. Dalam penerapan komponen-komponen tersebut ke dalam program, seq2seq model dapat memproses kalimat input yang kemudian akan dilakukan pengolahan data tersebut menggunakan model dan struktur lain yang ada pada program, sehingga pada akhirnya dapat menghasilkan kalimat output yang berbagai macam, sebagai respon atas kalimat input yang dihasilkan dari program chatbot. Selain itu diperlukan metode evaluasi program yang dapat digunakan untuk memverifikasi apakah hasil output program sesuai dengan data yang diharapkan oleh pengguna. Berdasarkan penerapan model LSTM, dan model BiLSTM ke dalam chatbot, dapat disimpulkan bahwa dengan semua hasil uji program yang terdiri dari beragam pasangan parameter yang berbeda, maka dinyatakan Pasangan Parameter 1 (size_layer 512, num_layers 2, embedded_size 256, learning_rate 0.001, batch_size 32, epoch 20) yang berasal dari File 6 merupakan BiLSTM Chatbot dengan nilai avg accuracy 0.995217 yang menggunakan model BiLSTM menjadi pasangan parameter terbaik.

---

In modern times, chatbots are implemented and used to store data collected through a question and answer system which can be applied in the Python program. The data used in this program is the Cornell Movie Dialog Corpus which is a dataset containing a corpus that contains a large collection of metadata-rich fictional conversations extracted from film scripts. The application of chatbots into the Python program can be done using various models. In this research we specifically use the LSTM and BiLSTM models. The output results from the chatbot program with the application of the LSTM and BiLSTM models are in the form of accuracy, as well as a data set that matches the information that the user enters in the chatbot dialog box input. The choice of models that will be applied is based on data that can affect program performance, with the target of the program that can determine the high or low level of accuracy that will be generated from the results obtained through the program, which is a major factor in determining the selected model.Based on the considerations that are the required for choosing the model for the program, in the end the LSTM and the BiLSTM models are chosen and will be applied to the program. After selecting the appropriate model, the next step is to determine the method used in the program. The greedy method is chosen as a form of implementation of the LSTM and BiLSTM models that aims to decrease the data processing time of the program and make it quicker, and also increase the accuracy of the model selected for the program. In addition, supporting attributes such as the seq2seq model are a determining factor in a program that functions to verify whether data processing process matches the criteria and can be used as a guide. In applying these components to the program, the seq2seq model processes the input sentences which will then be processed using the models and other structures in the program, so that in the end it can produce various output sentences in response to the input sentences that are generated from the chatbot program. In addition, a program evaluation method is needed to verify whether the program output matches the data expected by the user. Based on the application of the LSTM dan BiLTSM models into the chatbot program, it can be concluded that between all the program test results consisting of a variety of different parameter pairs, it is stated that Parameter Pair 1 (size_layer 512, num_layers 2, embedded_size 256, learning_rate 0.001, batch_size 32, epoch 20) from File 3 is the best paramater pair of the BiLSTM Chatbot which uses the BiLTSM model, with the avg accuracy value of 0.995217."

"Penelitian ini bertujuan untuk menguji kualitas dan karakteristik soal Ujian Nasional matematika Paket B tahun 2005 juga ingin mengetahui kemampuan matematika peserta didik paket B. Populasi penelitian ini adalah semua peserta didik Paket B di Jawa Tengah yang mengikuti Ujian Nasional 2005 periode pertama yang berjumlah 12.559 orang yang berasal dari seluruh kabupaten/kota di Jawa tengah.Metode analisis yang dipergunakan untuk menjawab penelitian ini adalah analisis butir soal dengan dua pendekatan, yakni dengan menggunakan classical test theory dan teori test modern item Response Theory (IRT). Dari hasil analisis item secara klasikal (ITEMAN) maupun modern (BIGSTEPS) didapatkan bahwa soal fit dengan model. Koefisien reliabilitas alpha yang didapat dari hasil analisis dengan ITEMAN sebesar 0.668 yang berarti tes tersebut cukup konsisten dan dapat dipakai untuk mengukur variabel laten ability matematika. Kualitas soal dikategorikan sedang dan mudah dengan daya pembeda dalam kategori diterima dan diterima dengan sedikit perbaikan dengan kriteria itu maka hasil tersebut menunjukkan kemampuan butir soal untuk membedakan peserta tes yang memiliki kemampuan tinggi dengan kemampuan rendah.Pada analisis BIGSTEPS hanya dilakukan dua tahap analisis, karena tidak ada soal yang dibuang pada saat analisis dengan ITEMAN dan Ujian Nasional Matematika Paket B hanya menggunakan satu paket sehingga analisis tahap keempat tidak dilakukan. Hasil analisis ini terlihat bahwa Map of Persons and Item kedua pola distribusi cukup match, namun rentang sebaran pada persons terlihat lebih lebar jika dibandingkan dengan sebaran tingkat kesulitan; Ini berarti soal relative mudah untuk peserta tes Ujian Nasional Matematika Paket B di provinsi Jawa Tengah. Berdasarkan dari misfitting analisis, yakni data-data item dan data-data orang yang tidak sesuai dengan model telah dihilangkan, dan pada analisis tahap dua telah dilakukan drop terhadap peserta tes sebanyak 154 orang outfit statistiknya diatas 2.0 dan ada 29 orang memiliki point biserialnya negative yang juga didrop. Dengan demikian seluruh butir-butir soal menjadit fit dengan model.Berdasarkan analisis kemampuan berdasarkan j enis kelamin, Mean skor yang diperoleh dari laki-laki adalah sebesar 19,92 dan mean skor yang diperoleh perempuan adalah 20,07. ini menandakan adanya perbedaan yaitu sebesar 0,15; Koefisien reliabilitas alpha untuk kedua kelompok ini juga sama yaitu 0,67 arti keajegan/konsistensi dari tes ini cukup konsisten dan sangat dipercaya.Hasil analisis kemampuan berdasarkan kabupaten/kota, kota Pekalongan mendapatkan estimasi mean (rata-rata skor) maksimum yaitu = 23,03 dan estimasi Mean (rata-rata skor) minimum yaitu kota Tegal dengan nilai 16,66, angka-angka tersebut menggambarkan bahwa sebagian besar peserta yang mengikuti Ujian Nasional Matematika Paket B pada setiap kabupaten/kota diprovinsi Jawa Tengah ini memiliki kemampuan sedang, dan dari 35 kabupatenikota di Jawa tengah juga terlihat hasil analisis data yang sangat bervariasi, ini menandakan pelaksanaan tes di provinsi ini dinilai objektif.Hasil kemampuan analisis berdasarkan usia terlihat bahwa peserta Ujian Nasional Matematika Paket B yang berusia dibawah dan sama dengan 16 tahun memiliki mean scorenya adalah 19,65 dengan mean peserta berada pada usia 16 tahun sedangkan peserta ujian yang berusia diatas 16 tahun mean scorenya adalah 20,03 dengan mean peserta berada pada usia 28 tahun, koefisien reliabilitas alpha untuk kedua kelompok ini yaitu 0.68 dan 0.67 arti keajegan/konsistensi dari tes ini cukup konsisten dan sangat dipercaya.Hasil analisis terhadap konten (materi) tes kedua paket tersebut, ada 50% materi yang diujikan pada Ujian Nasional matematika SMP tidak diujikan pada Ujian Nasional matematika paket B."

"Sistem tanya jawab merupakan salah satu tugas dalam domain natural language processing (NLP) yang sederhananya bertugas untuk menjawab pertanyaan sesuai konteks yang pengguna berikan ke sistem tanya jawab tersebut. Sistem tanya jawab berbahasa Indonesia sebenarnya sudah ada, namun masih memiliki performa yang terbilang kurang baik. Penelitian ini bereksperimen untuk mencoba meningkatkan performa dari sistem tanya jawab berbahasa Indonesia dengan memanfaatkan natural language inference (NLI). Eksperimen untuk meningkatkan sistem tanya jawab berbahasa Indonesia, penulis menggunakan dua metode, yaitu: intermediate-task transfer learning dan task recasting sebagai verifikator. Dengan metode intermediate-task transfer learning, performa sistem tanya jawab berbahasa Indonesia meningkat, hingga skor F1-nya naik sekitar 5.69 dibandingkan tanpa menggunakan pemanfaatan NLI sama sekali, dan berhasil mendapatkan skor F1 tertinggi sebesar 85.14, namun, peningkatan performa dengan metode intermediate-task transfer learning cenderung tidak signifikan, kecuali pada beberapa kasus khusus model tertentu. Sedangkan dengan metode task recasting sebagai verifikator dengan parameter tipe filtering dan tipe perubahan format kalimat, performa sistem tanya jawab berbahasa Indonesia cenderung menurun, penurunan performa ini bervariasi signifikansinya. Pada penelitian ini juga dilakukan analisis karakteristik pasangan konteks-pertanyaan-jawaban seperti apa yang bisa dijawab dengan lebih baik oleh sistem tanya jawab dengan memanfaatkan NLI, dan didapatkan kesimpulan bahwa: performa sistem tanya jawab meningkat dibandingkan hasil baseline-nya pada berbagai karakteristik, antara lain: pada tipe pertanyaan apa, dimana, kapan, siapa, bagaimana, dan lainnya; kemudian pada panjang konteks ≤ 100 dan 101 ≤ 150; lalu pada panjang pertanyaan ≤ 5 dan 6 ≤ 10; kemudian pada panjang jawaban golden truth ≤ 5 dan 6 ≤ 10; lalu pada keseluruhan answer type selain law dan time; terakhir pada reasoning type WM, SSR, dan MSR.......The question-answering system is one of the tasks within the domain of natural language processing (NLP) that, in simple terms, aims to answer questions based on the context provided by the user to the question-answering system. While there is an existing Indonesian question-answering system, its performance is considered somewhat inadequate. This research conducts experiments to improve the performance of the Indonesian question answering system by utilizing natural language inference (NLI). In order to enhance the Indonesian question-answering system, the author employs two methods: intermediate task transfer learning and task recasting as verifiers. Using the intermediate-task transfer learning method, the performance of the Indonesian question-answering system improves significantly, with an increase of approximately 5.69 in F1 score compared to not utilizing NLI at all, achieving the highest F1 score of 85.14. However, the performance improvement with the intermediate-task transfer learning method tends to be non-significant, except in certain specific cases and particular models. On the other hand, employing the task recasting method as a verifier with filtering parameter type and sentence format change type leads to a decline in the performance of the Indonesian question-answering system, with the significance of this performance decrease varying. Additionally, this research conducts an analysis on the characteristics of context-question-answer pairs that can be better answered by the question-answering system utilizing NLI. The findings conclude that the question-answering system’s performance improves compared to its baseline across various characteristics, including different question types such as what, where, when, who, how, and others. Furthermore, it improves with context lengths ≤ 100 and 101 ≤ 150, question lengths ≤ 5 and 6 ≤ 10, as well as answer lengths (golden truth) ≤ 5 and 6 ≤ 10. Additionally, it performs better in overall answer types excluding law and time, and lastly, in reasoning types WM, SSR, and MSR."

"This research aims at describing empirically on how to do evaluation on item quality of test result for mathematics conducted by school in improving the test instrument quality and assessment result. This test is multiple choices, where value 1 is intended for correct answer but value 0 for incorrect answer. This research was conducted at PPs UNJ, in April until Mey 2009. A finding outcome concludes that the evaluation on the test items quality can be found out by a parameter quality of the test item for model 3P. Within an empirical example is acknowledged that the Mathematics test with total 40 test items is found that there are 7 unsuitable items with model, and 33 test items that are good enough to be used and entirely this test is effective for the test participant target with competency ranging from -1,0