Hasil Pencarian  ::  Simpan CSV :: Kembali

"Skripsi ini membahas tentang faktor-faktor yang berhubungan dengan tindakan guru sekolah dasar terhadap siswa dengan kesulitan belajar. Penelitian dilakukan dengan pendekatan kuantitatif. Pengumpulan data dilakukan dengan cara penyebaran angket pada 121 guru yang dipilih secara acak. Berdasarkan hasil analisis multivariat diketahui bahwa keberadaan kebijakan sekolah adalah faktor yang paling berpengaruh terhadap tindakan guru sekolah dasar (OR = 2,866). Faktor lain yang berhubungan yaitu jenis kelamin, sikap, jabatan, keaktifan program UKS, dan keberadaan program pemerintah.

---

The focus of this study is factors related to elementary teacher's practice toward students with learning difficulty. This study use quantitative methods. Data collecting is done through questionnaire distribution to 121 teachers randomly selected from those schools. Multivariate analysis performed find that school policy existence is the most dominant factor associated with elementary teachers' practice (OR = 2,866). Other related factors are gender, attitude, organizational function, school health's program activeness, and government's program existence."

"Perkembangan teknologi yang pesat mempengaruhi lingkungan pembelajaran yaitu membentuk lingkungan pembelajaran modern, salah satu bentuk lingkungan belajar modern tersebut adalah kelas belajar pintar. Aplikasi teknologi terbukti telah meningkatkan ketertarikan belajar serta kualitas dari edukasi. Untuk memiliki hasil yang maksimal, institusi yang menyelenggarakan kelas belajar pintar, membutuhkan analisis terhadap faktor yang memiliki pengaruh terhadap kelas belajar pintar, agar dari faktor- faktor tersebut dapat dibentuk strategi untuk meningkatkan dan mempercepat tingkat adopsi kelas belajar pintar.Penelitian ini bertujuan untuk merumuskan strategi guna mengakomodir tingkat adopsi pengguna kelas belajar pintar, dalam hal ini dosen dan mahasiswa, dengan mengembangkan model konseptual menggunakan kombinasi instrumen dari theory of planned behavior (TPB) dan preference instrument of smart classroom learning environment (PI-SCLE). Pengambilan data dilakukan dengan menyebarkan kuesioner kepada mahasiswa dan dosen di lingkungan Fakultas Teknik, Universitas Indonesia. Selanjutnya, partial least squares (PLS) digunakan untuk menganalisis kedua model.Metode why how laddering digunakan untuk perumusan dan pengembangan strategi, serta metode strategy to mission matrix digunakan untuk validasi dan pemilihan strategi. Berdasarkan analisis model mahasiswa, 9 hipotesis diterima, dan 3 hipotesis ditolak. Sedangkan pada analisis model dosen, 5 hipotesis diterima dan 5 hipotesis di tolak. Berdasarkan perumusan dan pengembangan strategi menggunakan why how laddering, 24 rekomendasi strategi diajukan, kemudian 4 strategi dipilih sebagai prioritas atau fokus utama berdasarkan hasil pengolahan data menggunakan strategy to mission matrix.

---

The rapid development of technology creates a modern learning environment, one of which is smart learning class. The application of technology is increasing the learning interest and quality of education. In order to have a maximum output, the institution in which the smart learning class will be adopted have to analyze certain factors that could be enhanced to accommodate students and teachers, to formulate strategies therefore, the system will be well adopted, in a manner of time.

This paper aims to develop recommendations of strategy, to increase the adoption rate and timeline towards smart learning class. Conceptual Model for smart learning class for student and lecturer’s adoption was build by using the combination instruments from theory of planned behavior (TPB) and preference instrument of smart classroom learning environments (PI-SCLE), to analyze the influential factors related to smart class adoption. This research was conducted using the questionnaire for lecturers and students in engineering faculty, Universitas Indonesia. The data was analyzed using Partial Least Square (PLS) method for hypotheses testing.

Why how laddering method was used to formulate and develop the strategy recommendation, and strategy to mission matrix will be used to validate and choose the appropriate strategies. From the student model, 9 hypotheses are accepted and 3 hypotheses are rejected, and from the lecturer model, 5 hypotheses are accepted and 5 hypotheses are rejected. 24 strategies recommendations were formulated using why how laddering method, and 4 strategies are chosen as priorities for implementation by using strategy to mission matrix."

"Penelitian ini bertujuan untuk mengkaji pola kefektifan dari sebuah proses pembelajaran yang dilakuakan secara konvensional dan e-learning. Pola kefektifan dari proses pembelajaran dikaji melalui pendekatan terhadap faktor pemicu dan faktor interaksi pengguna. Pendekatan terhadap faktor pemicu dari proses pembelajaran baik yang berlangsung secara konvensional maupun e-learning diantaranya adalah motivasi, budaya belajar dan pengaruh lingkungan. Sedangkan pendekatan terhadap faktor interaksi pengguna dari proses pembelajaran konvensional maupun e-learning diantaranya adalah kemudahan akses dan komunikasi, yaitu jalinan interaksi antara pendidik dengan peserta didik, antara sesama peserta didik dan antara pendidik maupun peserta didik dengan sumber belajar. Metode penelitian yang digunakan adalah metode deskriptif kualitatif. Teknik pengumpulan data dilakukan dengan menggunakan kuesioner dengan jumlah populasi sebanyak 400 orangb dan sampel sebanyak 196 responden. Metode analisis yang digunakan adalah metode deskriptif kualitatif melalui metode Structural Equation Modelling (SEM) dan Uji Hipotesis. Hasil penelitian menunjukkan bahwa faktor pemicu dan faktor interaksi pengguna berpengaruh positif terhadap pola kefektifan dari proses pembelajaran konvensional maupun e-learning."

"Skripsi ini melihat proses pembelajaran di SD Islam Ramah Anak serta melihat pengaruh dari proses pembelajaran terhadap siswa di SD Islam Ramah Anak. SD Islam Ramah Anak merupakan sekolah inklusi, sekolah inklusi secara singkat merupakan sekolah yang memberikan kesempatak kepada anak berkebutuhan khusus untuk dapat mengikuti pendidikan bersama dengan siswa regular. Studi ini menggunakan pendekatan kualitatif melalui wawancara dan observasi serta data sekunder.Hasil studi ini menunjukan bahwa proses pembelajaran di SD Islam Ramah Anak berdasar dari kebijakan affirmative action. Kebijakan affirmative action diberikan kepada anak berkebutuhan khusus agar dapat bersaing dengan siswa regular. Proses pembelajaran dilakukan melalui ability grouping dengan tipe streaming dan mixed ability. Proses pembelajaran yang dilakukan melalui pengelompokan memunculkan efek positif dan juga negatif bagi siswa regular maupun anak berkebutuhan khusus.

---

This thesis analyze?s learning process in Ramah Anak Islamic Elementary School, and its effects to the student. Ramah Anak Islamic Elementary School is an inclusive school that provides opportunities for children with special needs to learn along side regular students. This study uses a qualitative approach through interviews, observations, and secondary data.The results of this study showes that learning process in Ramah Anak Islamic Elementary School is based on affirmative action policies. Affirmative action policies is given to children with special needs in order to compete with regular students. The learning process is applied through ability grouping and the type of ability grouping used in the learning process of Ramah Anak Islamic Elementary School is streaming and mixed ability. The learning process that is applied through grouping, give positive and negative effects for regular students as well as children with special needs."

"

Perkembangan teknologi pemrosesan ucapan sangat pesat akhir-akhir ini. Namun, fokus penelitian dalam Bahasa Indonesia masih terbilang sedikit, walaupun manfaat dan benefit yang dapat diperoleh sangat banyak dari pengembangan tersebut. Hal tersebut yang melatarbelakangi dilakukan penelitian ini. Pada penelitian ini digunakan model transfer learning (Inception dan ResNet) dan CNN untuk melakukan prediksi emosi terhadap suara manusia berbahasa Indonesia. Kumpulan data yang digunakan dalam penelitian ini, diperoleh dari berbagai film dalam Bahasa Indonesia. Film-film tersebut dipotong menjadi potongan yang lebih kecil dan dilakukan dua metode ekstraksi fitur dari potongan audio tersebut. Ekstraksi fitur yang digunakan adalah Mel-Spectrogram dan MelFrequency Cepstral Coefficient (MFCC). Data yang diperoleh dari kedua ekstraksi fitur tersebut dilatih pada tiga model yang digunakan (Inception, ResNet, serta CNN). Dari percobaan yang telah dilakukan, didapatkan bahwa model ResNet memiliki performa yang lebih baik dibanding Inception dan CNN, dengan rata-rata akurasi 49%. Pelatihan model menggunakan hyperparameter dengan batch size sebesar 16 dan dropout (0,2 untuk Mel-Spectrogram dan 0,4 untuk MFCC) demi mendapatkan performa terbaik.

---

Speech processing technology advancement has been snowballing for these several years. Nevertheless, research in the Indonesian language can be counted to be little compared to other technology research. Because of that, this research was done. In this research, the transfer learning models, focused on Inception and ResNet, were used to do the speech emotion recognition prediction based on human speech in the Indonesian language. The dataset that is used in this research was collected manually from several films and movies in Indonesian. The films were cut into several smaller parts and were extracted using the Mel-Spectrogram and Mel-frequency Cepstrum Coefficient (MFCC) feature extraction. The data, which is consist of the picture of Mel-spectrogram and MFCC, was trained on the models followed by testing. Based on the experiments done, the ResNet model has better accuracy and performance compared to the Inception and simple CNN, with 49% of accuracy. The experiments also showed that the best hyperparameter for this type of training is 16 batch size, 0.2 dropout sizes for Mel-spectrogram feature extraction, and 0.4 dropout sizes for MFCC to get the best performance out of the model used.

"

"Firmly grounded in the principles of neuropsychology, Beyond individual differences analyzes both successful and unproductive learning in terms of the brain’s organizing processes, that is, its unconscious sifting, selecting, and meaning-making that enable students to incorporate and build on what they’ve learned in the past. At the same time, it explores the learning situations that cause organization to break down and offers several preventive strategies."

"Serangan MitM ini memiliki dampak yang cukup besar dan dapat membuka jalan untuk serangan selanjutnya, seperti Phishing. Penelitian ini membahas tentang pendekatan metode hybrid deep learning yang dapat membantu pendeteksian serangan MitM secara efektif. Metode hybrid deep learning yang digunakan dalam penelitian ini adalah CNN-MLP dan CNN-LSTM, yaitu merupakan gabungan dari CNN, MLP, dan LSTM. Selain itu, dalam skenario eksperimennya menggunakan berbagai metode feature scaling (StandardScaler, MinMaxScaler, dan MaxAbsScaler) dan tanpa menggunakan metode feature scaling sebelum melakukan pemodelan, yang kemudian akan ditentukan metode hybrid deep learning yang terbaik untuk mendeteksi serangan MitM dengan baik. Dataset yang digunakan dalam penelitian ini yaitu Kitsune Network Attack Dataset (ARP MitM Ettercap). Hasil dari penelitian ini yaitu metode CNN-MLP dengan 10 epoch menggunakan MaxAbsScaler memiliki nilai accuracy tertinggi, yaitu 99.93%. Pada urutan kedua, CNN-MLP dengan 10 epoch menggunakan StandardScaler memiliki nilai accuracy sebesar 99.89%.

---

Man in the Middle (MitM) has a sizeable impact because it could make the attackers will do another attacks, such as Phishing. This research is discussing about hybrid deep learning methods-approach on detecting MitM attacks effectively. We were used 2 (two) combinations of the Deep Learning methods (CNN, MLP, and LSTM), which are CNN-MLP and CNN-LSTM. Besides that, in the experiment scenarios, we also used various Feature Scaling methods (StandardScaler, MinMaxScaler, and MaxAbsScaler) and without using any Feature Scaling methods before building the models and will determine the better hybrid Deep Learning methods for detecting MitM attack. Kitsune Network Attack Dataset (ARP MitM Ettercap) is the dataset used in this study. The results of this research proves that CNN-MLP that with 10 epoch using MaxAbsScaler has the highest accuracy rate of 99.93%. In second place, CNN-MLP with 10 epoch using StandardScaler has the accuracy rate of 99.89%."

"Pada awal pandemi COVID-19, keputusan medis pada pasien ditentukan oleh dokter berdasarkan banyak tes medis (misalnya, tes reaksi berantai polimerase, tes suhu, CTScan atau X-ray). Metode transfer learning telah digunakan dalam beberapa penelitian dan berfokus hanya pada satu biomarker (misalnya, hanya CT-Scan atau X-Ray saja) untuk mendiagnosis pneumonia. Dalam studi terbaru, modalitas tunggal memiliki keakuratan klasifikasi sendiri dan setiap biomarker yang berbeda dapat memberikan informasi pelengkap untuk mendiagnosis COVID-19 pneumonia. Tujuan pada penelitian ini adalah membangun model multimodal yaitu dengan menggabungkan dua masukan (input) menjadi satu keluaran (output) pada tahapan pembuatan model. Dua model transfer learning yang berbeda telah digunakan pada masing-masing masukan dengan dataset open-source 2849 gambar CT-Scan dan 2849 gambar X-ray untuk mengklasifikasikan gambar CT-Scan dan gambar X-ray menjadi dua kelas: normal dan COVID-19 pneumonia. Model transfer learning yang digunakan adalah model DenseNet121, model MobileNet, model Xception, model InceptionV3, model ResNet50 dan model VGG16 untuk proses ekstraksi fitur. Alhasil, akurasi klasifikasi terbaik didapatkan sebesar 99,87% saat penggabungan jaringan ResNet50 dan VGG16. Kemudian, akurasi klasifikasi terbaik didapatkan sebesar 98,00% saat menggunakan modalitas tunggal model ResNet50 dengan data CT-Scan dan akurasi klasifikasi sebesar 98,93% untuk model VGG16 dengan data X-Ray. Metode penggabungan multimodal learning menunjukkan akurasi klasifikasi yang lebih baik dibandingkan dengan metode yang menggunakan hanya satu modalitas saja.

---

Due to COVID-19 Pandemic, medical decisions on patients were made by doctors based on many medical tests (e.g., polymerase chain reaction test, temperature test, CT-Scan or X-ray). Transfer learning methods have been used in several studies and focus on only one biomarker (eg, CT-Scan or X-Ray only) for diagnosing pneumonia. In recent studies, a single modality has its own classification accuracy and each different biomarker can provide complementary information for diagnosing COVID-19 pneumonia. The purpose of this research is to build a multimodal model by combining two inputs (inputs) into one output (output) at the modeling stage. Two different transfer learning models were used at each input with an open-source dataset of 2849 CT-Scan images and 2849 X-ray images to classify CT-Scan images and X-ray images into two classes: normal and COVID-19 pneumonia. . The transfer learning model used is the DenseNet121 model, the MobileNet model, the Xception model, the InceptionV3 model, the ResNet50 model and the VGG16 model for the feature extraction process. As a result, the best classification accuracy was obtained at 99.87% when merging the ResNet50 and VGG16 networks. Then, the best classification accuracy was obtained at 98.00% when using a single modality ResNet50 model with CT-Scan data and a classification accuracy of 98.93% for the VGG16 model with X-Ray data. The multimodal learning combination method shows better classification accuracy than the method that uses only one modality."