Hasil Pencarian  ::  Simpan CSV :: Kembali

"E-learning Management Systems (EMAS) merupakan aplikasi pembelajaran jarak jauh Universitas Indonesia yang memiliki berbagai fitur untuk membantu pendidik dalam proses perkuliahan. Dalam pembelajaran jarak jauh, perilaku mahasiswa memiliki peran penting dalam meningkatkan proses pembelajaran yang berpengaruh pada kelulusan mahasiswa. Pada tugas akhir ini Recurrent Neural Network (RNN) dengan 1 input layer, 1 hidden layer, dan 1 output layer digunakan untuk memprediksi perilaku mahasiswa pada mata kuliah daring X di EMAS, dimana perilaku tersebut berupa aktivitas mahasiswa di EMAS seperti menjawab pertanyaan dalam forum diskusi, melihat berkas pembelajaran dan aktivitas lainnya. Sebelum dilakukan implementasi model RNN, ditentukan terlebih dahulu perilaku mahasiswa yang paling berpengaruh terhadap kelulusan mahasiswa menggunakan feature selection, yaitu Recursive Feature Elimination Random Forest (RFE-RF). Hasil RFE-RF terdapat 3 fitur yang terpilih yaitu Course View (CV), File View (FV) dan Discussion Viewed (DV). Implementasi Model RNN menggunakan optimizer function yaitu Stochastic Gradient Descent (SGD) dan performa model ditentukan berdasarkan Mean Square Error (MSE). Implementasi RNN dilakukan dengan 2 skenario berbeda, yaitu skenario data 75 hari pertama dan skenario data 115 hari. RNN model terbaik menggunakan data 75 hari pertama adalah model dengan jumlah nodes pada input layer, hidden layer, dan output layer secara berturut- turut sebanyak 1, 10 dan 1 dengan 500 epoch, learning rate 0,01, dan perbandingan data training dan data testing adalah 60%: 40%. Nilai MSE untuk fitur CV 0,00055, untuk fitur FV 0,00051 dan fitur DV sebesar 0,00019. Model RNN terbaik menggunakan data 115 hari menghasilkan nilai MSE untuk fitur CV 0,00054, fitur FV 0,00041 dan fitur DV 0,00027.

---

E-learning Management Systems (EMAS) is an online learning application from the University of Indonesia with various features to help educators in the lecture process. In online learning, student behavior is important in improving the learning process that affects final student scores. In this final task, Recurrent Neural Network (RNN) with one input layer, one hidden layer, and one output layer is used to predict student behavior in online course X in EMAS. The behavior is student activity in EMAS, such as answering questions in discussion forums, viewing learning files, and other activities. Before implementing the RNN model, the behavior of students who have the most influence on final student scores is determined in advance using feature selection, namely Recursive Feature Elimination Random Forest (RFE-RF). RFE-RF results there are three features selected, namely Course View (CV), File View (FV), and Discussion Viewed (DV). The implementation of the RNN Model using optimizer function stochastic gradient descent (SGD) and the model's performance is determined based on Mean Square Error (MSE). RNN implementation is divided into two different scenarios, the first 75-days data scenario, and the 115-days data scenario. The best RNN models using the first 75 days of data are models with the number of nodes on the input layer, hidden layer, and output layers respectively as much as 1, 10, and 1 with 500 epoch, learning rate 0,01, and comparison of training data and testing data is 60%: 40%. The MSE value for the CV features is 0,00055, FV feature is 0,00051 and DV feature is 0,00019. The best RNN models using 115 days of data generate MSE values for the CV features, which are 0,00054, FV features are 0,00041, and DV features are 0,00027."

"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."

"Intra Kominfo adalah sistem informasi terintegrasi berbasis web yang dikelola oleh Pusat Data dan Sarana Informatika (PDSI). Intra Kominfo disediakan untuk seluruh satuan kerja (satker) dan sivitas Kementerian Komunikasi dan Informatika. Sayangnya dari banyaknya pengguna yang terdaftar dalam Intra Kominfo, hanya 1% saja yang aktif menggunakan, karenanya melalui penelitian ini peneliti akan mencari faktor-faktor apa saja yang mempengaruhi para pegawai Kementerian Komunikasi dan Informatika dalam menggunakan Intra Kominfo. Peneliti menjawab permasalahan yang ada dengan menggunakan teori pemodelan yang mengintegrasikan model Unified Theory of Acceptance and Use of Technology (UTAUT) dan Task Technology Fit (TTF), dan untuk teknik analisis data menggunakan Partial Least Square (PLS). Hasil uji hipotesis penelitian ini memperlihatkan konstruk Performance Expectancy, Effort Expectancy, Peer Influence, Facilitating Condition, Behavioral Intention, Task Technology Fit, Performance Impact, Technology Characteristics, Task Characteristics dan Actual Usage mempunyai pengaruh yang signifikan terhadap penggunaan Intra Kominfo oleh para pegawai Kementerian Komunikasi dan Informatika.

---

Intra Kominfo is a web based integrated information system that is managed by the Data Center and Facility Information (PDSI). Intra Kominfo is used for all work units and civitas Ministry of Communication and Information. Unfortunately, the number of registered users in Intra Kominfo, only 1% actively use. Therefore, the purpose of this study is to identify all influence factors on employees of Ministry of Communication and Information who will use Intra Kominfo. To solve the problem, researcher will use integrated model between Unified Theory of Acceptance and Use of Technology (UTAUT) and Task Technology Fit (TTF), and for analyze data will use Partial Least Square (PLS). The results of this hypothesis test shows that contruct Performance Expectancy, Effort Expectancy, Peer Influence, Facilitating Condition, Behavioral Intention, Task Technology Fit, Performance Impacts, Technology Characteristics, Task Characteristics and Actual Usage have a significant effect on using of Intra Kominfo by the employees of the Ministry of Communication and Information."

"Pandemi covid-19 telah berdampak terhadap program pendidikan keperawatan dimana praktik laboratorium tidak direalisasikan secara optimal. Hal ini penting dilakukan evaluasi untuk melihat kualitas pembelajaran yang telah dilakukan. Hasil evaluasi mempengaruhi kesiapan praktik klinik. Desain penelitian menggunakan kuantitatif dengan pendekatan cross sectional yang bertujuan untuk mengidentifikasi gambaran dan hubungan evaluasi pembelajaran praktikum daring dan kesiapan praktik klinik mahasiswa profesi Ners. Penelitian dilakukan dengan 326 sampel, diambil menggunakan quota sampling. Evaluasi pembelajaran praktikum daring diukur dengan menggunakan Evaluation Instruments and Good Practices in Online Educator menurut Chikering dan Gansom (1987) dan kesiapan praktik klinik diukur berdasarkan teori Slameto (2020) dan Casey et al (2011). Hasil analisis didapatkan adalah pembelajaran praktikum daring yang dinilai baik oleh mahasiswa berpengaruh terhadap kesiapan mahasiswa (p 0.001 α 0.05). Penelitian ini merekomendasikan institusi untuk melakukan interaksi dengan mahasiswa secara efektif dan merencanakan kurikulum yang lebih baik lagi agar pembelajaran dengan metode daring sesuai dengan tujuan instruksional. Dalam mencapai kesiapan yang baik, diharapkan institusi dapat melaksanakan program dengan lingkungan belajar yang tepat sehingga mahasiswa mampu menunjang kemampuannya secara kognitif, afektif, dan psikomotor. Serta hasil penelitian ini direkomendasikan mahasiswa terus belajar dalam meningkatkan kompetensinya sehingga dapat menghasilkan perawat yang berprofessional.

---

The COVID-19 pandemic has had an impact on nursing education programs where laboratory practices are not realized optimally. It is important to do an evaluation to see the quality of the learning that has been done. The evaluation results affect the readiness of clinical practice. The research design uses a quantitative approach with a cross sectional approach, which aims to identify the description and relationship between online practicum learning evaluation and clinical practice readiness for nursing professional students. The study was conducted with 326 samples, taken using quota sampling. Evaluation of online practicum learning was measured using Evaluation Instruments and Good Practices in Online Educator according to Chikering and Gansom (1987) and clinical practice readiness was measured based on the theory of Slameto (2020) and Casey et al (2011). The results of the analysis showed that online practicum learning which was considered good by students had an effect on student readiness (p 0.001 0.05). This study recommends institutions to interact with students effectively and plan a better curriculum so that online learning is in line with instructional objectives. In achieving good readiness, it is hoped that the institution can implement programs with the right learning environment so that students are able to support their cognitive, affective, and psychomotor abilities. As well as the results of this study, it is recommended that students continue to learn in improving their competence so that they can produce professional nurses."

"Penelitian terdahulu telah meneliti pengaruh efek push-pull-mooring yang mendorong niat beralih individu ke platform pendidikan non-formal. Dikarenakan faktor keuangan dan kegunaan diabaikan, penelitian ini akan menambahkan faktor perceived price dan perceived usefulness. Data diperoleh melalui survei daring di Indonesia dengan 370 responden dan dianalisis menggunakan pemodelan persamaan covariance-based (CB-SEM). Hasil penelitian menunjukkan adanya pengaruh tidak langsung antara faktor perceived price dan perceived usefulness terhadap niat beralih individu. Temuan pada penelitian ini bertujuan untuk membantu penyedia platform pendidikan mengembangkan layanan yang sesuai dengan kebutuhan pengguna. Faktor-faktor lainnya yang membantu meningkatkan niat beralih ke edukasi online non-formal akan dijelaskan dalam kerangka push-pull-mooring.

---

Previous studies have examined the influence of the push-pull-mooring effect on individuals' intentions to switch to non-formal educational platforms. Since financial and usability factors have been overlooked, this study will add perceived price and perceived usefulness factors. Data was obtained through an online survey in Indonesia with 370 respondents and analyzed using covariance-based structural equation modeling (CBSEM). The results of the study show an indirect influence between perceived price and perceived usefulness factors on individuals' switching intentions. The findings of this study aim to assist non-formal education platform providers in developing services that meet user needs. Other factors that help increase switching intentions to non-formal online education will be explained within the push-pull-mooring framework."