Hasil Pencarian  ::  Simpan CSV :: Kembali

"Learning mathematic is one of the subject which has important role in increasing science and technology.The researcher apply genius learning strategy."

"ABSTRAKMatematika mempakan mata pelajaran penting yang diberikan di sekolah baik di SD, SMP, SMU/SMK bahkan Perguruan Tinggi. Matematika memiliki fungsi memberi kemampuan berpikir logis, kritis dan sistematis. Matematika juga memiliki peran yang penting dalam kehidupan ini. Mengingat pentingnya peranan matematika, wajar bila matemaiika mendapatkan perhatian yang utama dibanding pelajaran yang lain dan tidak berlebihan bila diharapkan siswa menunjukkan prestasi belajar yang baik dalam pelajaran tersebut di sekolah. Namun pada kenyataannya banyak siswa yang prestasi belajar matematikanya rendah atau kurang memadai. Bahkan sampai sekarang matematika masih dianggap sebagai momok dalam pelajaran di sekolah.Banyak faktor yang mempengaruhi prestasi belajar matematika. Faktor-faktor tersebut dapat dibagi menjadi faktor internal dan faktor eksternal. Faktor internal yang berhubungan dengan prestasi belajar matematika antara lain adalah self efficacy dan minat terhadap matematika. Setiap siswa memiliki kemampuan dalam mempelajari matematika namun seringkali mereka ragu apakah ia mampu atau tidak dalam menyelesaikan tugas-tugasnya. Siswa seringkali tidak bertingkah Iaku optimal meskipun tahu apa yang harus dilakukannya. Keyakinan seseorang akan kemampuannya inilah yang menurut Bandura (1986) dikenal sebagai self efficacy.Penulis meneliti hubungan antara self efficacy dengan prestasi belajar matematika yang diduga memiliki hubungan yang bermakna. Di samping itu penulis juga meneliti hubungan minat terhadap matematika dengan prestasi belajar matematika mengingat kurang minatnya siswa terhadap matematika karena ketika berhadapan dengan matematika siswa terlebih dahuiu menganggapnya sebagai suatu mata pelajaran yang sukar (Sinergi, Januari-Maret 1998). Tujuan penelitian adalah menguji apakah ada hubungan antara self efficacy dan minat terhadap matematika dengan prestasi belajar matematika. Kemudian berapa besar sumbangan variabel tersebut terhadap prestasi belajar matematika.Subyek dalam penelitian ini adalah siswa-siswa kelas 3 Sekolah Menengah Kejuruan (SMK) 8 Jakarta. Alasannya ialah subyek sudah dapat menilai dirinya sendiri secara cukup realistis dan subyek sudah mandiri dalam membentuk minat serta sudah sejak lama mengikuti pelajaran matematika. Subyek yang dijadikan sampel sebanyak 115 orang. Teknik pengambilan sampel yang digunakan adalah accidental sampling. lnstrumen yang digunakan pada penelitian ini yaitu skala self efficacy dan kuesioner minat matematika. Data penelitian diolah menggunakan metode multiple regression.Hasil penelitian ini tidak mendukung teori Bandura(l986) yang mengatakan bahwa self efficacy berpengaruh terhadap prestasi belajar matematika. Penelitian ini juga tidak mendukung penelitian Schunk (1982) yang menyatakan bahwa self efficacy berhubungan secara signifikan dengan prestasi belajar matematika. Hasil penelitian ini juga tidak mendukung penelitian Simanjuntak (1994) yang menyatakan ada hubungan yang signifikan antara minat dengan prestasi matematika siswa laki-laki dan perempuan. Dari hasil penelitian ini dapat diketahui self efficacy dan minat terhadap matematika secara bersama-sama tidak memberikan sumbangan yang signifikan terhadap prestasi belajar matematika.Tidak bemaknanya hubungan antara self efficacy dan minat terhadap matematika dengan prestasi belajar matematika mungkin disebabkan oleh variabel-variabel lain yang tidak diteliti dalam penelitian ini yang berpengaruh terhadap prestasi belajar matematika seperli inteligensi, motivasi, kecemasan terhadap matematika dan skema tentang pemecahan masalah yang diajarkan sebelumnya. Faktor-faktor tersebut mungkin mempunyai peran yang lebih besar dalam mempengaruhi prestasi belajar matematika siswa dibandingkan dengan self efficacy dan minat terhadap matematika. Tidak signifikannya hubungan antara self efficacy dan minat terhadap matematika dengan prestasi belajar matematika juga bisa disebabkan oleh instrumen-instrumen penelitian ini yang mungkin tidak valid secara eksternal, kecenderungan subyek penelitian untuk menjawab kuesioner secara social desirability dan variabilitas sampel penelitian yang rendah.Saran untuk penelitian lanjutan yakni melakukan validasi eksternal terhadap instrumen-instrumen ini dengan cara mengkorelasikan skala self efficacy dan kuesioner minat terhadap matematika dengan alat-alat dan metode-metode lain yang valid secara internal maupun eksternal yang mengukur konstruk yang sama. Sebaiknya menggunakan sampel penelitian dan beberapa sekolah agar subyeknya heterogen dan menggunakan teknik pengambilan sampel secara random/acak. Membuat tes matematika yang standar agar valid dan reliabel. Perlu melibatkan valiabel-variabel lain yang tidak diteliti dalam penelitian ini seperti inteligensi (kecerdasan), motivasi, kecemasan terhadap matematika dan skema tentang pemecahan masalah yang diajarkan sebelumnya."

"Penulisan makalah ini bertujuan untuk mengetahui penerapan model pembelajaran matematika yang kooperatif di sekolah dasar dan sekolah lanjutan. Penulisan makalah ini menggunakan metode tinjauan literatur (library research). Dari pembahasan dapat disimpulkan bahwa fokus pembelajaran kooperatif tidak saja tertumpu pada apa yang dilakukan peserta didik tetapi juga pada apa yang dipikirkan peserta didik selama aktivitas belajar berlangsung. Informasi yang ada pada kurikulum tidak ditransfer begitu saja oleh guru kepada peserta didik, tetapi peserta didik difasilitasi dan dimotivasi untuk berinteraksi dengan peserta didik lain dalam kelompok, dengan guru dan dengan bahan ajar secara optimal agar ia mampu mengkonstruksi pengetahuannya sendiri. Dari berbagai pertimbangan dan bukti empirik menunjukkan bahwa model pembelajaran kooperatif perlu diterapkan dalam pembelajaran di sekolah di berbagai tingkatan dan berbagai bidang studi, termasuk bidang studi matematika dan sains."

"ABSTRAKPadatahun 2007, Daerah Khusus Ibukota (DKI) Jakarta mengalami banjir besar yang merendam hampir 60% wilaya DKI Jakarta, yang salah satunya disebabkan oleh curah hujan yang tinggi. Dua bulan setelah kejadian tersebut, Gubernur DKI Jakarta menyatakan ibukota dalam kondisi kejadian luar biasa (KLB) demam berdarah. Dari 2 kejadian tersebut, terdapat indikasi kasus demam berdarah dengue(DBD) erat kaitannya dengan cuaca. DBD adalah penyakit yang disebabkan oleh virus dengue dan disebarkan melalui gigitan nyamuk aedes aegepty dan aedes albopictus betina yang terinfeksi virus dengue. Penyakit ini dapat menyerang manusia di segala rentang umur. Sejak Januari hingga Maret 2020, Dinas Kesehatan Pemerintah Provinsi DKI Jakarta mencatat terdapat 971 kasus DBD. Deteksi dini terkait kejadian DBD dibutuhkan agar berbagai pihak terkait dapat mengambil langkah-langkah antisipasi sedini mungkin. Ilmu matematika dapat berperan dalam membantu deteksi dini kejadian DBD di DKI Jakarta, salah satunya menggunakan sistem klasifikasi dengan berbasis artificial intelligence. Random forest classification merupakan salah satu bentuk machine learning, yang juga merupakan bagian dari artificial intelligence, yang dikenalkan oleh Breiman pada tahun 2001 melalui penelitiannya dengan metode ensemble. Setiap decisiontree pada random forest memberikan hasil klasifikasi dan menggunakan sistem suara terbanyak (majority vote) untuk menentukan hasil akhir dari klasifikasi random forest. Breiman dalam penelitiannya juga menunjukkan kelebihan random forest yang antara lain memiliki error lebih rendah dibandingkan metode lain yangsejenis dan dapat mengatasi data train yang berukuran besar secara efisien. Analisis klasifikasi kasus DBD dalam kaitannya dengan data klimatologi dilakukan dengan pendekatan random forest pada skripsi ini. Data insiden DBD, jumlah penduduk, dan data klimatologi berupa curah hujan, temperatur, dan kelembapan tahun 2008-2017pada tiap Kota di DKI Jakarta (kecuali Kepulauan Seribu) digunakan pada skripsi ini. Random forest diimplementasikan untuk melakukan klasifikasi tingkat kewaspadaan kasus DBD dalam tiga jenis kategori, yaitu: aman, waspada, danawas. Hasil implementasi algoritma random forest dalam membangun model klasifikasi tingkat kewaspadaan kasus DBD untuk Kota Jakarta Timur, Jakarta Utara, Jakarta Selatan, Jakarta Barat, dan Jakarta Pusat di skripsi ini menghasilkan nilai akurasi secara berurut yaitu 93,41%, 89,01%, 83,52%, 82,42%, dan 80,22%.

---

ABSTRACTIn 2007, the capital city DKI Jakarta had one of the worst floods, that submerged nearly 60% of the area. One of the causes was a heavy rainfall. Two months after the incident, Two months after the incident, the Governor of DKI Jakarta stated that the capital city was in an outbreak of dengue fever. From these two incidents, there are some indications of dengue hemorrhagic fever cases related to the weather. DHF is a disease caused by the dengue virus and spreads by the bite of female Aedes Aegepty and Aedes Albopictus mosquitoes thathad been infected with the dengue virus. This disease can affect humans in any kind of age. From January to March 2020, the government health office of DKI Jakarta reported 971 cases of dengue fever. Early detection related to the incidence of DHF is needed so that the preventive action can be done as early as possible. Mathematics helps a lot to detect a dengue fever in DKI Jakarta earlier using a classification system based on artificial intelligence. Random forest is one of the machine learning methods, found by Breiman in 2001 through his research with an ensemble method. Every decision tree in random forest provides classification results, using the majority vote system to determine the final results of the random forest classification. Breiman also mentioned the advantages of this method which are having fewer errors and efficiently resolving a bigger size of the train data. Analysis of the classification of DHF cases in relation to climatological data was carried out using the random forest approach in this research. DHF incidence data, population, and climatological data in the form of rainfall, temperature and humidity from 2008 -2017 in each city in DKI Jakarta (except Kepulauan Seribu) are used in this research. Random forest is implemented to classify the alertness level of DHF cases into three categories, namely: safe, nearly safe, and not safe. The results of the implementation of the random forest algorithm in building a classification model for the alertness level of dengue cases for East Jakarta, North Jakarta, South Jakarta, West Jakarta and Central Jakarta in the form of accuracy values are 93.41%, 89.01%, 83 ,52%, 82.42%, and 80.22%."

"Pada jenjang SMA di Indonesia ditemukan bahwa pelajaran Matematika menjadi mata pelajaran yang kurang diminati oleh siswa dan memiliki capaian nilai kompetensi yang rendah. Rendahnya minat dan nilai kompetensi Matematika mengindikasikan rendahnya keterlibatan siswa SMA dalam pelajaran Matematika. Keterlibatan siswa merupakan salah satu indikator dari keberhasilan proses akademik di sekolah yang mana rendahnya keterlibatan siswa dapat berimplikasi pada berbagai perilaku negatif yang secara bertahap dapat menyebabkan kasus putus sekolah. Maka dari itu, diperlukan adanya identifikasi mengenai faktor yang dapat meningkatkan keterlibatan siswa SMA. Persepsi dukungan sosial dan adaptabilitas dipilih sebagai variabel pada penelitian ini. Penelitian ini bertujuan untuk menguji peran persepsi dukungan sosial dan adaptabilitas secara bersamaan terhadap keterlibatan siswa SMA dalam pelajaran Matematika. Keterlibatan siswa dalam Matematika diukur menggunakan University Student Engagement (USEI), persepsi dukungan sosial diukur dengan Social Provisions Scale (SPS), dan adaptabilitas diukur dengan The Adaptability Scale (TAS). Pengambilan data penelitian dilakukan dengan menyebarkan kuesioner secara daring kepada siswa SMA yang bersekolah di Jabodetabek dan sedang menjalani pembelajaran tatap muka. Analisis regresi berganda digunakan untuk melihat peran dari tiga sumber dukungan sosial dan adaptabilitas dalam memprediksi keterlibatan siswa dalam Matematika. Hasil penelitian menunjukkan bahwa hanya peran persepsi dukungan sosial siswa terhadap guru dan adaptabilitas yang secara simultan memprediksi keterlibatan siswa dalam pelajaran Matematika (R =.281 p<0.001).

---

Mathematics in Indonesia was found to be a subject with low competency scores, especially at the senior high school level. The low competency score obtained indicates the low engagement of high school students in Mathematics. Student engagement is one indicator of the process of academic success in schools, where low student involvement can have an impact on various negative behaviors, which can gradually lead to cases of dropping out. Therefore, it is necessary to identify factors that can increase the involvement of high school students. Perceived social support and adaptability were selected as variables in this study. This study examines the role of perceptions of social support and adaptability simultaneously on high school students’ engagement in Mathematics during face-to-face learning. Student engagement in Mathematics will be measured using University Student Engagement (USEI), perceptions of social support will using the Social Provisions Scale (SPS), and adaptability will be measured using The Adaptability Scale (TAS). Research data collection was carried out by distributing an online questionnaire to high school students who attend schools in Jabodetabek and are undergoing face-to-face learning. Multiple regression analysis was used to see the role of three sources of social support and adaptability in predicting student engagement. The results showed that only perceived social support for math teachers and adaptability which simultaneously predicted student engagement in Mathematics (R =.281 p<0.001)."

"The objective of the present study is to find out the effect of problem-based performance assessment and instructional models on the students' metacognition in mathematics at senior high schools. The study was conducted in SMU in Jakarta. There were 120 first grade students as the sample of the study, selected through multistage random sampling. The data were gathered by using a metacognition scale. Data analysis was done by using the two way analysis of variance. The results of the study are: (1) In general, problem-based performance assessment effects students' metacognition mathematics, (2) Learning models affect the students' metacognition in mathematics; in which the cooperative learning model is more effective in improving the students' metacognition than the classical learning model, (3) There is an interaction effect between problem-based performance assessment and instructional models. Such interaction show that problem solving performance assessment is more effective in improving students' metacognition in mathematics if it is combined with cooperative learning model; while problem posing performance assessment is more effective if it is combined with classical learning model."

"Analisis sentimen merupakan permasalahan klasifikasi data mining dengan proses memahami, mengekstrak dan mengolah data teks secara otomatis untuk mendapatkan informasi. Dalam menganalisis pendapat di media sosial digunakan machine learning untuk mendapatkan hasil klasifikasi. Banyak metode machine learning untuk melakukan klasifikasi, dalam penelitian ini akan digunakan convolutional neural network. Dalam machine learning, data dibagi menjadi data training dan data test dengan domain data yang sama. Permasalahan utama skripsi ini adalah data yang digunakan memiliki dua domain berbeda, sehingga metode machine learning tradisional tidak dapat diterapkan. Sehingga agar dapat menerapkan convolutional neural network untuk dua data berbeda diperkenalkan suatu cara yaitu transfer learning. Transfer learning merupakan suatu proses pembelajaran model yang didapatkan dari training data A oleh data B dengan domain berbeda. Simulasi dalam penelitian ini menghasilkan suatu akurasi transfer learning dengan metode convolutional neural network.

---

Sentiment analysis is classification problem in data mining with process of understanding, extracting and processing text data to obtain information. Machine learning is needed in analyzing sentiment of the people to get the result of classification. There are many methods in machine learning to do classification, this research will use convolutional neural network. In machine learning, data is divided into train and test data with the same domain.

The main problem of this research is the data has a different domain, so the traditional machine learning method can not be applied. In order to apply convolutional neural network into data with different domain, it will be introduced transfer learning method. Transfer learning is learning model process obtained from training data A then tested by data B. In this research, the simulations result is accuracy of transfer learning with convolutional neural network."