Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini bertujuan untuk mengatasi kekurangan Global Positioning System (GPS) dalam penentuan posisi di dalam ruangan dengan mengembangkan sebuah indoor positioning system (IPS) yang mengkombinasikan Wi-Fi fingerprinting dengan pedestrian dead reckoning (PDR). Wi-Fi fingerprinting memanfaatkan infrastruktur dalam ruangan yang tersebar luas sehingga implementasi menjadi praktis dan meminimalkan biaya instalasi. Namun, Wi-Fi fingerprinting memiliki tantangan karena adanya overhead dalam proses pengumpulan data. PDR melengkapi Wi-Fi fingerprinting dengan melacak pergerakan pengguna melalui deteksi langkah dan arah dengan memanfaatkan sensor inersia dalam smartphone untuk mengurangi kebutuhan pemindaian fingerprint yang sering sambil tetap mempertahankan atau meningkatkan akurasi posisi. Fokus dari penelitian ini adalah penggabungan Wi-Fi fingerprinting dengan PDR untuk menciptakan sebuah IPS yang praktis dan efisien. Teknik machine learning digunakan untuk prediksi posisi pada Wi-Fi fingerprinting. Thresholding digunakan untuk deteksi langkah (step detection), fixed step length digunakan untuk panjang langkah (step length), dan magnetometer dimanfaatkan untuk deteksi arah (heading detection). Implementasi dilakukan pada perangkat Android, di mana desain antarmuka (interface) dan pengalaman pengguna (user experience) tidak termasuk dalam cakupan penelitian. Desain sistem melibatkan aplikasi sisi klien (client-side application), backend service, machine learning service, serta algoritma penggabungan Wi-Fi fingerprinting dengan PDR. Studi ini menemukan bahwa integrasi antara Wi-Fi fingerprinting dengan PDR secara signifikan mengurangi overhead, serta meningkatkan akurasi dari penentuan posisi dalam ruangan.

---

This research aims to address the shortcomings of the Global Positioning System (GPS) in indoor positioning by developing an indoor positioning system (IPS) that combines Wi-Fi fingerprinting with pedestrian dead reckoning (PDR). Wi-Fi fingerprinting leverages widely available indoor infrastructure, making implementation practical and minimizing installation costs. However, Wi-Fi fingerprinting faces challenges due to the overhead involved in data collection. PDR complements Wi-Fi fingerprinting by tracking user movement through step detection and direction using inertial sensors in smartphones, thereby reducing the need for frequent fingerprint scanning while maintaining or improving positioning accuracy. The focus of this research is the integration of Wi-Fi fingerprinting with PDR to create a practical and efficient IPS. Machine learning techniques are used for position prediction in Wi-Fi fingerprinting. Thresholding is used for step detection, fixed step length for step length measurement, and a magnetometer for heading detection. The implementation is done on Android devices, with interface design and user experience not being within the scope of this research. The system design involves a client-side application, backend services, machine learning services, and algorithms for integrating Wi-Fi fingerprinting with PDR. This study finds that the integration of Wi-Fi fingerprinting with PDR significantly reduces overhead and improves the accuracy of indoor positioning."

"Penelitian ini bertujuan untuk mengatasi kekurangan Global Positioning System (GPS) dalam penentuan posisi di dalam ruangan dengan mengembangkan sebuah indoor positioning system (IPS) yang mengkombinasikan Wi-Fi fingerprinting dengan pedestrian dead reckoning (PDR). Wi-Fi fingerprinting memanfaatkan infrastruktur dalam ruangan yang tersebar luas sehingga implementasi menjadi praktis dan meminimalkan biaya instalasi. Namun, Wi-Fi fingerprinting memiliki tantangan karena adanya overhead dalam proses pengumpulan data. PDR melengkapi Wi-Fi fingerprinting dengan melacak pergerakan pengguna melalui deteksi langkah dan arah dengan memanfaatkan sensor inersia dalam smartphone untuk mengurangi kebutuhan pemindaian fingerprint yang sering sambil tetap mempertahankan atau meningkatkan akurasi posisi. Fokus dari penelitian ini adalah penggabungan Wi-Fi fingerprinting dengan PDR untuk menciptakan sebuah IPS yang praktis dan efisien. Teknik machine learning digunakan untuk prediksi posisi pada Wi-Fi fingerprinting. Thresholding digunakan untuk deteksi langkah (step detection), fixed step length digunakan untuk panjang langkah (step length), dan magnetometer dimanfaatkan untuk deteksi arah (heading detection). Implementasi dilakukan pada perangkat Android, di mana desain antarmuka (interface) dan pengalaman pengguna (user experience) tidak termasuk dalam cakupan penelitian. Desain sistem melibatkan aplikasi sisi klien (client-side application), backend service, machine learning service, serta algoritma penggabungan Wi-Fi fingerprinting dengan PDR. Studi ini menemukan bahwa integrasi antara Wi-Fi fingerprinting dengan PDR secara signifikan mengurangi overhead, serta meningkatkan akurasi dari penentuan posisi dalam ruangan.

---

This research aims to address the shortcomings of the Global Positioning System (GPS) in indoor positioning by developing an indoor positioning system (IPS) that combines Wi-Fi fingerprinting with pedestrian dead reckoning (PDR). Wi-Fi fingerprinting leverages widely available indoor infrastructure, making implementation practical and minimizing installation costs. However, Wi-Fi fingerprinting faces challenges due to the overhead involved in data collection. PDR complements Wi-Fi fingerprinting by tracking user movement through step detection and direction using inertial sensors in smartphones, thereby reducing the need for frequent fingerprint scanning while maintaining or improving positioning accuracy. The focus of this research is the integration of Wi-Fi fingerprinting with PDR to create a practical and efficient IPS. Machine learning techniques are used for position prediction in Wi-Fi fingerprinting. Thresholding is used for step detection, fixed step length for step length measurement, and a magnetometer for heading detection. The implementation is done on Android devices, with interface design and user experience not being within the scope of this research. The system design involves a client-side application, backend services, machine learning services, and algorithms for integrating Wi-Fi fingerprinting with PDR. This study finds that the integration of Wi-Fi fingerprinting with PDR significantly reduces overhead and improves the accuracy of indoor positioning."

"Penelitian ini bertujuan untuk mengatasi kekurangan Global Positioning System (GPS) dalam penentuan posisi di dalam ruangan dengan mengembangkan sebuah indoor positioning system (IPS) yang mengkombinasikan Wi-Fi fingerprinting dengan pedestrian dead reckoning (PDR). Wi-Fi fingerprinting memanfaatkan infrastruktur dalam ruangan yang tersebar luas sehingga implementasi menjadi praktis dan meminimalkan biaya instalasi. Namun, Wi-Fi fingerprinting memiliki tantangan karena adanya overhead dalam proses pengumpulan data. PDR melengkapi Wi-Fi fingerprinting dengan melacak pergerakan pengguna melalui deteksi langkah dan arah dengan memanfaatkan sensor inersia dalam smartphone untuk mengurangi kebutuhan pemindaian fingerprint yang sering sambil tetap mempertahankan atau meningkatkan akurasi posisi. Fokus dari penelitian ini adalah penggabungan Wi-Fi fingerprinting dengan PDR untuk menciptakan sebuah IPS yang praktis dan efisien. Teknik machine learning digunakan untuk prediksi posisi pada Wi-Fi fingerprinting. Thresholding digunakan untuk deteksi langkah (step detection), fixed step length digunakan untuk panjang langkah (step length), dan magnetometer dimanfaatkan untuk deteksi arah (heading detection). Implementasi dilakukan pada perangkat Android, di mana desain antarmuka (interface) dan pengalaman pengguna (user experience) tidak termasuk dalam cakupan penelitian. Desain sistem melibatkan aplikasi sisi klien (client-side application), backend service, machine learning service, serta algoritma penggabungan Wi-Fi fingerprinting dengan PDR. Studi ini menemukan bahwa integrasi antara Wi-Fi fingerprinting dengan PDR secara signifikan mengurangi overhead, serta meningkatkan akurasi dari penentuan posisi dalam ruangan.

---

This research aims to address the shortcomings of the Global Positioning System (GPS) in indoor positioning by developing an indoor positioning system (IPS) that combines Wi-Fi fingerprinting with pedestrian dead reckoning (PDR). Wi-Fi fingerprinting leverages widely available indoor infrastructure, making implementation practical and minimizing installation costs. However, Wi-Fi fingerprinting faces challenges due to the overhead involved in data collection. PDR complements Wi-Fi fingerprinting by tracking user movement through step detection and direction using inertial sensors in smartphones, thereby reducing the need for frequent fingerprint scanning while maintaining or improving positioning accuracy. The focus of this research is the integration of Wi-Fi fingerprinting with PDR to create a practical and efficient IPS. Machine learning techniques are used for position prediction in Wi-Fi fingerprinting. Thresholding is used for step detection, fixed step length for step length measurement, and a magnetometer for heading detection. The implementation is done on Android devices, with interface design and user experience not being within the scope of this research. The system design involves a client-side application, backend services, machine learning services, and algorithms for integrating Wi-Fi fingerprinting with PDR. This study finds that the integration of Wi-Fi fingerprinting with PDR significantly reduces overhead and improves the accuracy of indoor positioning."

"Penelitian ini bertujuan untuk mengatasi kekurangan Global Positioning System (GPS) dalam penentuan posisi di dalam ruangan dengan mengembangkan sebuah indoor positioning system (IPS) yang mengkombinasikan Wi-Fi fingerprinting dengan pedestrian dead reckoning (PDR). Wi-Fi fingerprinting memanfaatkan infrastruktur dalam ruangan yang tersebar luas sehingga implementasi menjadi praktis dan meminimalkan biaya instalasi. Namun, Wi-Fi fingerprinting memiliki tantangan karena adanya overhead dalam proses pengumpulan data. PDR melengkapi Wi-Fi fingerprinting dengan melacak pergerakan pengguna melalui deteksi langkah dan arah dengan memanfaatkan sensor inersia dalam smartphone untuk mengurangi kebutuhan pemindaian fingerprint yang sering sambil tetap mempertahankan atau meningkatkan akurasi posisi. Fokus dari penelitian ini adalah penggabungan Wi-Fi fingerprinting dengan PDR untuk menciptakan sebuah IPS yang praktis dan efisien. Teknik machine learning digunakan untuk prediksi posisi pada Wi-Fi fingerprinting. Thresholding digunakan untuk deteksi langkah (step detection), fixed step length digunakan untuk panjang langkah (step length), dan magnetometer dimanfaatkan untuk deteksi arah (heading detection). Implementasi dilakukan pada perangkat Android, di mana desain antarmuka (interface) dan pengalaman pengguna (user experience) tidak termasuk dalam cakupan penelitian. Desain sistem melibatkan aplikasi sisi klien (client-side application), backend service, machine learning service, serta algoritma penggabungan Wi-Fi fingerprinting dengan PDR. Studi ini menemukan bahwa integrasi antara Wi-Fi fingerprinting dengan PDR secara signifikan mengurangi overhead, serta meningkatkan akurasi dari penentuan posisi dalam ruangan.

---

This research aims to address the shortcomings of the Global Positioning System (GPS) in indoor positioning by developing an indoor positioning system (IPS) that combines Wi-Fi fingerprinting with pedestrian dead reckoning (PDR). Wi-Fi fingerprinting leverages widely available indoor infrastructure, making implementation practical and minimizing installation costs. However, Wi-Fi fingerprinting faces challenges due to the overhead involved in data collection. PDR complements Wi-Fi fingerprinting by tracking user movement through step detection and direction using inertial sensors in smartphones, thereby reducing the need for frequent fingerprint scanning while maintaining or improving positioning accuracy. The focus of this research is the integration of Wi-Fi fingerprinting with PDR to create a practical and efficient IPS. Machine learning techniques are used for position prediction in Wi-Fi fingerprinting. Thresholding is used for step detection, fixed step length for step length measurement, and a magnetometer for heading detection. The implementation is done on Android devices, with interface design and user experience not being within the scope of this research. The system design involves a client-side application, backend services, machine learning services, and algorithms for integrating Wi-Fi fingerprinting with PDR. This study finds that the integration of Wi-Fi fingerprinting with PDR significantly reduces overhead and improves the accuracy of indoor positioning."

"ABSTRAKMatematika merupakan salah satu ilmu dasar yang harus dikuasaisebagai Iandasan pengembangan teknologi. Dalam dunia pendidikan,matematika mempunyai peran yang penting dalam mengembangkankemampuan berpikir logis. Demikian pentingnya matematika, sehinggadiajarkan seoara luas melalui berbagai jenjang pendidikan dari SekolahDasar sampai Sekolah Menengah Umum, salah satunya adalah SMU.Diharapkan pelajaran matematika di SMU menjadi Iatar belakang yangcukup untuk memuIai pendidikan akademik.Di Indonesia matematika merupakan salah satu mata pelajaranyang dijadikan acuan untuk memasukkan siswa pada jurusan tertentu sesuaidengan bakat, kemampuan maupun minat siswa. Pada kurikulun tahun1994, tidak terdapat pelajaran matematika untuk jurusan IPS. Dengandikurangi atau ditiadakannya peIajaran matamatika di SMU, ini berartimengurangi kesempatan siswa untuk memilih bidang keahliannya.Disamping itu, pada saat ini dimana siswa jurusan IPA maupun IPSmempunyai kesempatan yang sama dalam memilih jurusan di perguruantinggi. Pada seleksi ujian masuk perguman tinggi, pelajaran matamatikadijadikan salah satu persyaratan ujian. Hal ini akan mengurangi daya saingsiswa jurusan IPS yang tidak mendapatkan pelajaran matematikadibandingkan dengan siswa jurusan IPA.Berdasarkan fenomena yang ada, didapat gambaran bahwa dengan tidakadanya pelajaran matematika pada jurusan IPS, seringkali pemilihan jurusan IPS yang dilakukan oleh siswa karena menghindar dari pelajaranmatematika.Penelitian ini bertujuan untuk menjawab pertanyaan apakah terdapatperbedaan persepsi kebermaknaan matematika antara siswa SMU jurusanIPA dan jurusan IPS. Hipotesa yang diuji adalah tardapat perbedaan yangsignifikan antara persepsi kebermaknaan matematika siswa jurusan IPA danjurusan IPS. Alat yang digunakan adakah kuesioner yang berbentuk skala.Teori yang digunakan adalah teori persepsi, yang menjelaskan mengenaipengertian persepsi, serta hal-hal yang berhubungan dengan prosesterjadinya persepsi. Kemudian dijeIaskan pula mengenai teori matematika,yaitu tentang pengertian matematika, peranan matematika dalam kehidupanyang terdiri dari empat tujuan utama yaitu tujuan kebermanfaatan, tujuansosial, tujuan budaya serta tujuan pribadi. Dilanjutkan dengan teorikebermaknaan matematika yang merupakan implementasi dari ke empattujuan utama matematika.Subyek penelitian yaitu siswa jurusan IPA dan IPS. Pengambilan sampeldilakukan secara incidental sampling, di bimbingan belajar Ganesha cabangRawamangun. Alat yang digunakan dalm penelitian ini yaitu kuesionertentang persepsi kebermaknaan matematika yang berbentuk skala.Pengolahan data penelitian dilakukan dengan teknik statistik deskriptif.Dari hasil penelitian, diperoleh hasil bahwa tidak terdapat perbedaanyang signifikan terhadap persepsi kebermaknaan matematika antara siswajurusan IPA dan jurusan IPS.Terdapat beberapa saran yang dapat dilakukan, yaitu dilakukanpenyempurnaan alat, dilakukan kontrol terhadap variabel-variabeI yangberpengaruh terhadap penelitian sepeti kecerdasan, sikap, minat maupunguru matematika. Disarankan pula sampel penelitian diambil dari siswa SMUkelas II yang belum dijuruskan pada jurusan IPA dan IPS sehingga sesuaidengan tujuan peneIitian."

"Penelitian mengenai emotional intelligence telah banyak dilakukan khususnya pada remaja ( misalnya Bracket & Katulak, 2006). Sayangnya, hingga saat ini belum ada penelitian mengenai hubungan emotional intelligence dan prestasi akademik pada siswa SMA yang dikhususkan berdasarkan jurusan mereka di sekolah. Beberapa penelitian menjelaskan bahwa tingkat emotional intelligence remaja, menentukan hasil prestasi akademik mereka (Nasir & Masru, 2010; Nasir & Munaf, 2011). Tujuan dari penelitian ini adalah untuk melihat gambaran, perbedaan serta hubungan antara emotional intelligence dan prestasi akademik pada siswa SMA kelas XI jurusan IPA dan jurusan IPS, serta untuk melihat perbedaan gender dalam emotional intelligence dan prestasi akademik. Penelitian dilakukan menggunakan pendekatan kuantitatif, pada 236 orang siswa SMAN 71. Untuk alat ukur emotional intelligence, digunakan Self-Report Emotional Intelligence Scale (SREIS). Hasil penelitian menunjukkan bahwa tidak terdapat korelasi yang signifikan antara emotional intelligence dengan prestasi akademik pada siswa SMA pada jurusan IPA maupun IPS. Pada emotional intelligence tidak didapatkan perbedaan yang signifikan antara siswa laki-laki dan siswa perempuan baik pada jurusan IPA maupun IPS. Sedangkan pada prestasi akademik, secara signifikan siswa perempuan memiliki nilai rata-rata yang lebih tinggi dibandingkan dengan siswa laki-laki.baik pada jurusan IPA maupun IPS, dimana siswa perempuan memiliki nilai rata-rata yang lebih tinggi dibandingkan dengan siswa laki-laki.

---

Research about emotional intelligence has been done especially among adolescents (look for example Bracket & Katulak, 2006). Unfortunately, until now there has been no research about the relationship between emotional intelligence and academic achievement among high school students. Several studies have described that the level of emotional intelligence in adolescents determines their achievement performance (Nasir & Masru, 2010; Nasir & Munaf, 2011).

This research aims to find the relationship between emotional intelligence and academic achievement among the high school students, and to determine whether or not there is gender difference in emotional intelligence and academic achievement. Using quantitative approach, 236 high school student from SMA 71 participated in this study. For emotional intelligence measurement, the Self- Report Emotional Intelligence Scale (SREIS) was used.

The result shows that there is no significant correlation between emotional intelligence and academic achievement. For the gender difference, there is no significant difference between male and female students on emotional intelligence, both among science major students and social major students. But significant differences on academic achievement were found between male students and female students academic score, both among science major students and social major students with females have higher scores."