Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"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."

"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)."

"Tanaman karet merupakan salah satu komoditas utama ekspor Indonesia. Namun, dalam beberapa tahun terakhir, produksi karet di Indonesia mengalami penurunan. Hal tersebut disebabkan karena adanya penyakit gugur daun yang disebabkan oleh jamur Pestalotiopsis sp.. Berkembangnya teknologi artificial intelligence dengan pendekatan deep learning mampu melakukan pendeteksian pada penyakit ini dengan menggunakan data citra. Convolutional Neural Network (CNN) merupakan algoritma deep learning yang diterapkan pada data berbentuk visual atau citra. Pada penelitian ini, peneliti menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur Residual Network 50 (ResNet-50). Pada penelitian ini juga digunakan Transfer Learning yang merupakan sebuah model yang dapat diajarkan dan disempurnakan untuk suatu kegiatan dan kemudian bisa diterapkan pada kegiatan lain. Dataset yang digunakan pada penelitian ini adalah data daun karet yang berjumlah 1629 data yang dibagi dalam 5 kelas yaitu level 0 atau sehat merupakan daun yang sehat, level 1 merupakan daun yang telah terbentuk bercak coklat yang merupakan gejala dari penyakit namun belum memiliki tanda-tanda perubahan warna, level 2 merupakan daun yang telah terbentuk banyak bercak cokelat disertai dengan adanya perubahan warna pada daun, level 3 merupakan daun yang mengalami kerusakan jaringan, perubahan warna menjadi cokelat atau kuning namun masih memiliki sedikit bagian daun yang berwarna hijau, level 4 merupakan daun yang mengalami kerusakan jaringan cukup parah, dipenuhi bercak cokelat dan telah berwarna cokelat menyeluruh. Dari hasil simulasi yang dilakukan, diperoleh hasil terbaik dengan rata-rata accuracy 96,01%, recall 95,888%, dan precision 96,184% dengan running time rata-rata running time 69,759 detik.

---

Rubber plants are one of Indonesia's main export commodities. However, in recent years, rubber production in Indonesia has experienced a decline. This is due to the presence of the leaf fall disease caused by the Pestalotiopsis sp. fungus. The advancement of artificial intelligence technology using deep learning approaches enables the detection of this disease using image data. The Convolutional Neural Network (CNN) is a deep learning algorithm applied to visual or image data. In this study, researchers utilized the Convolutional Neural Network (CNN) method with the Residual Network 50 (ResNet50) architecture. Transfer Learning was also employed in this research, which involves training and refining a model for one task and then applying it to another task. The dataset used in this study consists of 1629 rubber leaf samples divided into 5 classes: level 0, representing the healthy leaves; level 1, indicating leaves with brown spots, a symptom of the disease, but without major visible color changes; level 2, comprising of leaves with numerous brown spots accompanied by slight color changes; level 3, representing leaves with tissue damage, a color change from green to brown or yellow, but still retaining some green parts; and level 4, depicting leaves with severe tissue damage, extensively covered in brown spots and having turned completely brown. The simulation results showed the best outcome with an average accuracy of 96.01%, recall of 95.888%, and precision of 96.184%, with an average running time of 69.759 seconds."