Hasil Pencarian  ::  Simpan CSV :: Kembali

"Terdapat berbagai penelitian yang menyebutkan bahwa pembelajaran secara kolaboratif menunjukkan hasil yang sangat positif yakni meningkatnya hasil proses belajar, meningkatnya performa tim yang terkait dengan pemahaman suatu pengetahuan. Metodologi yang dilakukan dalam penelitian ini terdiri dari beberapa tahapan diantaranya tahap identifikasi dan analisis data, perancangan desain sistem, tahap implementasi, dan tahap evaluasi. Sistem yang dikembangkan dalam penelitian ini berdasarkan pada knowledge construction learning environment yang bertujuan untuk menyediakan sarana bagi para peserta ajar untuk mengartikulasikan pendapat mereka, mendiskusikan ide mereka kepada orang lain, untuk membedakan perspektif yang mereka miliki, mengadopsi ide-ide dari orang lain, mengklarifikasi terjadinya ketidaksepahaman, menegosiasikan pemahaman dan merumuskan pengetahuan agar menjadi produk yang bernilai. Untuk mencapai tujuan-tujuan tersebut, penulis akan merancang sebuah sistem pembelajaran kolaboratif online yang menerapkan pendekatan knowledge construction dalam melakukan kolaborasi antar-Peserta.

---

There were several researches that stated collaborative learning approach shows a very positive result in the improvement of study result and in the enhancement of team performance related to the understanding of knowledge. The research methodology that is being implemented in this thesis consists of identification, data analysis, system design, implementation, and evaluation stage. The system that is being developed in this research based on a knowledge construction learning environment that aimed to provide students the facility for articulating, discussing ideas to others, distinguishing perspectives, adopting ideas from others, clarifying any misunderstanding, negotiating for an agreement, and constructing knowledge to formulate valuable learning output. To achieve those goals, the author has designed a learning system which provides collaborative tools based on the knowledge construction approach. The knowledge construction approach comprises six learning phases, which are the Articulation, Clarification, Argumentation, Negotiation, and Integration phase. Each of the phases provides collaborative tools which facilitate the learning process of the student."

"This research calculates performance expectation of online learning system in Jakarta undergraduate universities. The main goal of the research is to calculate the difference of online learning system performance between non experienced students and lectures compared to the experienced students and lectures."

"Tenaga profesional di bidang akuntansi memerlukan kemampuan profesional dalam pemanfaatan teknologi untuk dapat tetap eksis di dalam menghadapi tuntutan era global. Berbagai perkembangan tek-nologi sudah selayaknya dapat dimanfaatkan guna meningkatkan kompetensi di bidang akuntansi. Di-perlukan kompentensi lebih berupa kemampuan mengkombinasikan perkembangan teknologi dengan bidang ilmu akuntansi guna memecahkan berbagai kasus akuntansi di dunia kerja. Penelitian ini meru-pakan kelanjutan penelitian sebelumnya yang sudah menghasilkan model komputerisasi siklus akun-tansi berbasis Problem Based Learning. Penelitian ini menggunakan model pengembangan perang-kat pembelajaran Instructional Development Model (ID Model). Tahap kegiatan dari model ini diba-gi menjadi: Determinasi Masalah (Problem Determination), Desain (Design) dan Pengembangan (Development) dan Implementasi (Implementation). Hasil penelitian menunjukkan bahwa: (1) pro-duk penelitian dapat dimanfaatkan sebagai wadah pembelajaran bagi mahasiswa untuk mengulas se-cara mendalam pemahaman teori akuntansi, sistem akuntansi serta kemampuan di dalam memanfaat-kan kemajuan teknologi untuk menyelesaikan kasus-kasus akuntansi, (2) produk penelitian dapat di-manfaatkan sebagai alat bantu dalam interaksi pembelajaran, (3) produk penelitian dapat digunakan sebagai sumber belajar."

"Penelitian yang dilakukan pada laporan ini ditujukan untuk membuat suatu sistem yang dapat melakukan monitoring performa Wi-Fi, sehingga bila ada salah satu jaringan yang memiliki masalah dapat ditindak lanjuti dengan cepat untuk dianalisis lebih lanjut. Dalam penelitian ini juga ditambahkan peerbandingan kinerja machine learning untuk melakukan prediksi tentang bagaimana traffic wifi dapat berjalan ke depannya. Model machine learning yang dipakai pada penelitian ini adalah linear regression, Extreme Gradient Boost XGB regression, dan Light Gradient Boosting Machine (LGBM) regression. XGB dan LGBM merupakan pengembangan dari Gradient Boosting Decision Tree (GBDT). LGBM menerapkan dua Teknik yaitu Gradient-based One-Side Sampling (GOSS) dan Exclusive Features Bundling (EFB). GOSS berguna untuk mengecualikan gradien data kecil, sedangkan EFB berguna untuk memilih fitur eksklusif dengan tujuan pengurangan fitur. Peneliti menggunakan metrik evaluasi untuk mengetahui akurasi prediksi masing-masing model. Dari penelitian yang dilakukan metode machine learning LGBM lebih baik 3,09 % dari XGB regression dan 16,57 % lebih baik dari linear regression.

---

This research in this report is aimed to create a system that can monitor WiFi performance, so that if one of the networks has problems it can be followed up quickly for further analysis. This research also add machine learning performance comparison to make predictions about how the WiFi traffic run in the future. The machine learning models used in this study are linear regression, Extreme Gradient Boost XGB regression, and Light Gradient Boosting Machine (LGBM) regression. LGBM applies two techniques namely Gradient-based One-Side Sampling (GOSS) and Exclusive Features Bundling (EFB). GOSS is useful for excluding small data gradients, whereas EFB is useful for selecting exclusive features with the goal of feature reduction. Researchers use evaluation metrics to determine the prediction accuracy of each model. From research conducted the LGBM machine learning method is 3.09% better than XGB regression and 16.57% better than linear regression."

"Dengan memperhatikan serta menyusun pola makan, kesehatan tubuh dapat meningkat dikarenakan nutrisi yang didapatkan oleh tubuh. Pemanfaatan machine learning, melalui model deteksi multiobjek, dapat membantu pendeteksian berbagai jenis makanan hanya dengan input sebuah gambar. Dengan terdeteksinya jenis makanan digabungkan dengan output berupa nutrisi yang terkandung dalam makanan dapat membantu dalam mengatur pola makan. Pengaturan pola makan dengan memanfaatkan deteksi objek dapat dilakukan dengan pelatihan sebuah dataset dengan menggunakan algoritma YOLO. Pendeteksian makanan yang dilakukan dengan menggunakan algoritma YOLO memerlukan acuan evaluasi dengan tujuan meningkatkan akurasi dari deteksi yang dilakukan, yang mana merupakan alasan dari pengukuran mAP. Penggunaan arsitektur YOLOv7 terlihat dapat menghasilkan model yang lebih baik dibandingkan YOLOv5 dengan mAP 0,947. Penggabungan YOLOv7 dengan dataset yang berisikan multiclass single image juga berhasil dalam melakukan deteksi multi-object makanan sesuai dengan kategori yang telah ditentukan. Dengan tujuan penggunaan model oleh masyarakat luas, model deteksi jenis makanan diimplementasikan dalam bentuk aplikasi mobile dengan basis Java. Implementasi dalam bentuk aplikasi membuat masyarakat luas dapat memanfaatkan model deteksi objek sebagai salah satu acuan pemilihan pola makan yang lebih sehat.

---

By paying attention to and compiling a diet, body health can improve due to the nutrients the body gets. Utilization of machine learning, through a multi-object detection model, can help detect various types of food only by inputting an image. Diet adjustment using object detection can be done by training a dataset using the YOLO algorithm. Food detection carried out using the YOLO algorithm requires an evaluation reference with the aim of increasing the accuracy of the detection carried out, which is the reason for using mAP.. The use of the YOLOv7 architecture seems to produce a better model than YOLOv5 with a mAP of 0.947. Merging YOLOv7 with a dataset containing multiclass single images was also successful in detecting multi-object food according to predetermined categories. With the aim of using the model by the wider community, a food type detection model is implemented in the form of a mobile application based on Java. Implementation in the form of an application allows the general public to utilize the object detection model as a reference for choosing a healthier diet."

"Konsumsi energi listrik di daerah pemukiman menjadi faktor utama peningkatan emisi karbon. Demi mengurangi pemakaiannya, penting untuk pihak operasional dapat mengawasi dan memantau pemakaian energi listrik. Selain itu, perlu diketahui juga faktor-faktor yang dapat memengaruhi tingkat konsumsi listrik. Kondisi cuaca eksrim akibat pemanasan global dapat memengaruhi tingkat pemakaian energi listrik. Menggunakan machine learning, khususnya regression, pemakaian energi listrik dapat diprediksi secara akurat berdasarkan data cuaca. Elasticsearch dan Kibana menjadi alat yang dapat digunakan untuk membantu pembuatan dashboard interaktif. Dengan kemampuan machine learning, Elasticsearch dapat melakukan analitik data dan memprediksi pemakaian energi listrik. Model machine learning menggunakan library XGBoost dimana nilai koefisien determinasi (R2), Mean Absolute Error, dan nilai Explained Variance dijadikan penilaian prediksi. Dari model yang dibuat, nilai R2 didapatkan sebesar 0,05, Mean Absolute Error sebesar 12,58, dan Explained Variance bernilai 0,07. Dengan dashboard yang telah dibuat dilakukan pengujian pengguna terhadap sistem berupa survei kepada 41 pengguna dimana diuji kepuasannya terhadap sistem. Survei yang diberikan berupa kuisioner menggunakan google form. Dari hasil yang didapat, sebanyak 46,3% dari responden memiliki pengalaman yang positif dan 26,8% responden memiliki pengalaman yang sangat positif ketika menggunakan sistem dashboard. Dari hasil penelitian ini diharapkan bagi pengguna dan pihak operasional dapat dengan mudah mengambil keputusan untuk dapat mengurangi pemakaian energi listrik.

---

Consumption of electrical energy in residential areas is the main factor in increasing carbon emissions. In order to reduce its use, it is important for the operational party to be able to monitor the use of electrical energy. In addition, it is also necessary to know the factors that can affect the level of electricity consumption. Extreme weather conditions due to global warming can affect the level of electrical energy consumption. Using machine learning, especially regression, electrical energy consumption can be predicted accurately based on weather data. Elasticsearch and Kibana are tools that can be used to help create interactive dashboards. With machine learning capabilities, Elasticsearch can perform data analytics and predict electrical energy consumption. The machine learning model uses the XGBoost library where the coefficient of determination (R2), Mean Absolute Error, and Explained Variance values are used as predictive assessments. From the model made, the R2 value is 0.05, the Mean Absolute Error is 12.58, and the Explained Variance is 0.07. With the dashboard that has been created, user testing of the system is carried out in the form of a survey to 41 users where their satisfaction with the system is tested. The survey was given in the form of a questionnaire using a google form. From the results obtained, as many as 46.3% of respondents had a positive experience and 26.8% of respondents had a very positive experience when using the dashboard system. It is hoped that users and operational parties can easily make decisions to reduce the use of electrical energy."

"Sistem rekomendasi adalah sebuah teknik untuk menyediakan saran terkait suatu hal yang dapat dimanfaatkan oleh pengguna. Saran dapat berupa produk maupun jasa yang ditawarkan. Saran yang diberikan adalah produk atau jasa yang belum pernah digunakan atau dibeli oleh pengguna tersebut. Sistem rekomendasi, khususnya dengan menggunakan K-Nearest Neighbor KNN , mencapai kesuksesan pada beberapa akhir tahun ini.Penelitian ini akan diimplementasikan K-Nearest Neighbor pada komputasi terdistribusi yaitu MapReduce untuk merancang sistem rekomendasi dengan menggunakan Item Based Collaborative Filtering IBCF dan User Based Collaborative Filtering UBCF pada dataset Movielens 100k. Penelitian akan menggunakan beberapa komputasi penghitung kesamaan yaitu Cosine Based Similarity, Pearson Correlation Similarity dan Euclidean Distance.Hasil percobaan yang didapat adalah algoritma Euclidean Distance menghasilkan performa terbaik dalam waktu proses dan nilai keakuratan. Pada pendekatan IBCF, Euclidean Distance membutuhkan waktu proses dengan rata-rata 13 sekon dan nilai korelasi sebesar 0.84. Sedangkan pada UBCF, Euclidean Distance membutuhkan waktu proses dengan rata-rata 32 sekon dan nilai korelasi sebesar 0.84.

---

Recommender system is a technique to provide suggestions related to a thing that can be used for user. Suggestions can be products and services offered. The advice given is a product or service that has never been used or purchase by the user. The recommendation system, especially by using K Nearest Neighbor KNN , achieving success in several year.

This research will be implemented K Nearest Neighbor at distributed process that called MapReduce to arrange system by using Item Based Collaborative Filtering IBCF and User Based Collaborative Filtering UBCF on Movielens 100k dataset. The research will use several techniques to compute similarities such as Cosine Based Similarity, Pearson Correlation Similarity and Euclidean Distance.

The result of the experiment is Euclidean Distance algorithm give the best performance in process time and correlation. In the IBCF approach, Euclidean Distance takes process around 13 seconds and correlation value is 0.84. And at UBCF, Euclidean Distance takes processing time around 32 seconds and correlation value is 0.84."

"Pembelajaran daring menjadi alternatif pembelajaran karena untuk memenuhi kebutuhan pendidikan yang terkendala oleh jarak maupun alasan efisiensi waktu. Selain itu pembelajaran kolaboratif semakin banyak dikembangkan sejak munculnya paradigma pembelajaran konstruktivisme. Teori konstruktivisme menyatakan bahwa pengalaman belajar dan interpretasi pengetahuan yang didapat sebelumnya menjadi konstruksi pengetahuan mendalam. Teori konstruksivisme sosial menyatakan bahwa pembelajaran terjadi melalui interaksi sosial yang kemudian diinternalisasi. Berdasarkan teori dan bentuk pembelajaran tersebut, pembelajaran kolaboratif daring menjadi alternatif model pembelajaran yang terus dikembangkan dengan menumbuhkan kesadaran metakognitif. Secara empirik pembelajaran dengan memanfaatkan aspek metakognitif telah banyak dilakukan di Indonesia, bahkan kurikulum nasional pun menjadikan metakognisi menjadi salah satu tujuan pembelajaran. Kemampuan metakognitif peserta didik biasanya dinilai pada saat proses pembelajaran menggunakan think aloud atau setelah pembelajaran dengan menggunakan wawancara maupun kuesioner. Penelitian ini bertujuan mengestimasi kemampuan metakognitif dengan menilai aktivitasnya menggunakan persepsi help-seeking sebelum proses pembelajaran. Kegiatan yang bersifat estimasi membutuhkan model. Model metakognitif ini berfungsi untuk mengestimasi kemampuan metakognitif.Kebutuhan help-seeking tidak hanya kebutuhan kognitif tetapi juga kebutuhan sosial untuk berkomunikasi dan berbagi dalam problem solving. Aktivitas help-seeking biasanya tergantung dari persepsi awalnya. Pertanyaannya adalah bagaimana persepsi help-seeking berkorelasi dengan aktivitas metakognitif. Kemudian jika peserta didik mendapatkan perlakuan tertentu dalam pembelajaran, apakah memungkinkan adanya peningkatan aktivitas help-seeking dan metakognitif serta hasil belajar. Sejauh mana perlakuan tambahan atau intervensi metakognitif terhadap proses pembelajaran akan meningkatkan efektivitas pembelajaran. Penelitian disertasi ini bertujuan untuk menjawab dan memberikan gambaran mengenai hubungan kedua faktor tersebut dengan membandingkan antara pra dan pasca intervensi sehingga gambaran tersebut dapat memprediksi aktivitas metakognitif dan frekuensi help-seeking berdasarkan persepsi help-seeking. Oleh sebab itu, model metakognitif dan help-seeking diperlukan untuk memenuhi tujuan tersebut.Data tentang persepsi help-seeking diperoleh melalui kuesioner. Data tentang aktivitas metakognitif dan frekuensi help-seeking juga diperoleh melalui kuesioner setelah responden diberikan tugas problem solving. Adapun data hasil pembelajaran didapat dari nilai hasil pekerjaan problem solving. Kedua data yang diperoleh melalui kuesioner memberikan hasil yang sangat beragam, oleh karena itu dilakukan proses klasterisasi untuk mengetahui tipe kecenderungannya. Korelasi data persepsi help-seeking dengan aktivitas metakognitif dan frekuensi help-seeking dapat diketahui dengan cara menghubungkan kedua data tersebut pada setiap responden. Hal ini juga dilakukan pada pasca intervensi, sehingga perubahan signifikan setelah diberikan intervensi dapat diketahui.Korelasi antara persepsi help-seeking dengan aktivitas metakognitif dan frekuensi help-seeking didapatkan dengan mengetahui hubungan masing-masing tipenya. Tipe persepsi help-seeking instrumental dan perceived benefit berkorelasi positif dengan aktivitas metakognitif individu maupun kelompok dan sebaliknya tipe persepsi help-seeking avoidance dan executive berkorelasi negatif. Dari semua tipe persepsi help-seeking hanya memberikan sedikit perubahan pada frekuensi non-human help-seeking dan tidak memberikan perubahan pada frekuensi human help-seeking. Namun setelah diberikan perlakuan intervensi, terjadi perubahan signifikan pada metakognitif individu dan kelompok maupun frekuensi non-human help-seeking tetapi tidak terjadi pada human help-seeking. Model matematis mengenai input berupa persepsi dan output berupa aktivitas metakognitif dan frekuensi help-seeking, dapat memberikan gambaran tentang korelasi persepsi help-seeking terhadap aktivitas metakognitif dan frekuensi help-seeking pada pra intervensi maupun pasca intervensi sehingga pemodelan tersebut dapat menjadi perangkat estimasi aktivitas metakognitif berdasarkan persepsi help-seeking.

---

Online learning is an alternative learning because it is to meet educational needs which are constrained by distance and time efficiency reasons. In addition, collaborative learning has been increasingly developed since the emergence of the constructivism learning paradigm. Constructivism theory states that learning experiences and interpretations of previously acquired knowledge become in-depth knowledge constructs. Social constructivism theory states that learning occurs through social interaction which is then internalized. Based on these theories and forms of learning, online collaborative learning is an alternative learning model that continues to be developed by cultivating metacognitive awareness. Empirically learning by utilizing metacognitive aspects has been widely carried out in Indonesia, even the national curriculum has made metacognition one of the learning objectives. Students' metacognitive abilities are usually assessed during the learning process using think aloud or after learning using interviews or questionnaires. This study aims to estimate metacognitive abilities by assessing their activities using help-seeking perceptions prior to the learning process. Estimating activities require a model. This metacognitive model serves to estimate metacognitive abilities.

Help-seeking needs are not only cognitive needs but also social needs to communicate and share in problem solving. Help-seeking activities usually depend on initial perception. The question is how the perception of help-seeking correlates with metacognitive activity. Then if students get certain treatment in learning, is it possible to increase help-seeking and metacognitive activities and learning outcomes. The extent to which additional treatment or metacognitive intervention in the learning process will increase the effectiveness of learning. This dissertation research aims to answer and provide an overview of the relationship between the two factors by comparing pre- and post-intervention so that this description can predict metacognitive activity and help-seeking frequency based on help-seeking perceptions. Therefore, metacognitive and help-seeking models are needed to fulfill these goals.

Data on help-seeking perceptions were obtained through a questionnaire. Data on metacognitive activity and frequency of help-seeking were also obtained through questionnaires after the respondents were given problem solving assignments. The learning outcome data is obtained from the value of problem solving work results. The two data obtained through questionnaires gave very diverse results, therefore a clustering process was carried out to find out the type of trend. The correlation between help-seeking perception data and metacognitive activity and help-seeking frequency can be identified by correlating the two data for each respondent. This was also done post-intervention, so that significant changes after the intervention were given can be identified.

The correlation between perceptions of help-seeking and metacognitive activity and frequency of help-seeking is obtained by knowing the relationship between each type. Types of perceptions of instrumental help-seeking and perceived benefits are positively correlated with individual and group metacognitive activities and conversely types of perceptions of help-seeking avoidance and executive are negatively correlated. Of all the types of help-seeking perception, it only gives a slight change in the non-human help-seeking frequency and does not give a change in the human help-seeking frequency. However, after being given the intervention treatment, significant changes in individual and group metacognitive as well as the frequency of non-human help-seeking did not occur in human help-seeking. The mathematical model regarding input in the form of perception and output in the form of metacognitive activity and help-seeking frequency, can provide an overview of the correlation of help-seeking perceptions of metacognitive activity and help-seeking frequency in pre-intervention and post-intervention so that the modeling can be an estimation tool for metacognitive activity based on help-seeking perception."