Hasil Pencarian  ::  Simpan CSV :: Kembali

"Are you disappointed to find out that your learners can't retain what you taught? Don't let your many hours of preparation time, and well presented materials go down the drain. Here are five simple steps to help you capture your learner's attention and keep it, organize and group formation for maximum retention, use mnemonic devices to enhance learner memory, use rehearsals to improve retention, and enhance transfer of learning."

"Teaching Indonesian for Foreign Learners or Indonesian as a Foreign Language (IFL) is different from teaching Indonesian as a first language. The differences are due to the characteristics of the learners. IFL learners generally are adults who have language and cultural background and learning style different from those Indonesian learners have. These differences demand IFL teachers and instructors to prepare teaching-learning materials and the activities of the teaching-learning process in the classroom that are relevant to the learners? needs. Understanding the entry level behavior of the learners, the teaching materials, the teaching-learning approach, and the evalution process is of crucial importance in order to fulfill their needs. Learning needs analysis of IFL learners is also a prerequisite to developing adequate teaching-learning materials of IFL."

"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."

"Penelitian ini bertujuan untuk meneliti efektifitas pembelajaran kooperatif tipe jigsaw yang diberikan melaluimetodeeksperimen untuk meningkatkan belajar berdasar regulasi diri pada mahasiswa serta prestasi belajar siswa. SkalaBelajar Berdasar Regulasi Diri dikembangkan oleh Pintrich et al. (1991) yang mengungkap profil pembelajar aktif.Penelitian ini sangat penting untuk dikembangkan mengingat perubahan pola pembelajaran di pendidikan tinggi daripembelajarn berpusat pada Dosen ke pembelajaran berpusat pada mahasiswa (student active learning). Subjekpenelitian ini adalah mahasiswa tahun pertama program diploma Fakultas Ilmu Keperawatan di Semarang yang terbagidalam dua kelompok yaitu kelompok Kontrol sejumlah 33 mahasiswa dan kelompok perlakuan sejumlah 34 mahasiswa.Berdasarkan hasil analisis diketahui bahwa ada pengaruh pembelajaran kooperatif tipe jigsaw terhadap belajar berdasarregulasi diri, namun pengaruh padaregulasi strategi belajar tidak ditemukan.The main purpose of this study was to examine effectiveness of cooperative learning type jigsaw to enhance selfregulated learning. Experiment design is used by implementing jigsaw classroom for improving self regulated learning.Data were collected by self regulated learning scale adapted from MSLQ (developed by Pintrich et al., 1991) to knowthe student’s profile of active learning. As known, the changes of paradigm in instruction from teacher or lecture centerto student active learning have many problems. One of the causes of this condition is most of lecture still use traditionalmodels of instruction that led lecture more active than students. Sixtyseven student from diploma degree in nursefaculty of Sultan Agung Islamic University involved in this study. Then, subject divided equally into two groups, 33student for control group and 34 student for experiment group. The result showed that cooperative learning type jigsawhas significantly effect to self regulated learning. Jigsaw learning can improve student motivation significantly,however, the effect on the regulation of learning strategies was not found."

"ABSTRAKTujuan penelitian ini adalh meningkatkan aktivitas dan hasil belajar mahasiswa melalui penerapan model pembelajaran aktif menggunakan teknik Mind Map e-learning melalui Edmodo pada mata kuliah Matematika Diskrit. Penelitian ini merupakan penelitian tindakan kelas, yang dilakukan pada tahhun akademik 2014/2015 dengan responden 35 mahasiswa Program Studi pendidikan Matematika Universtias Muhammadiyah Jakarta semester 6 kelas A. Aktivitas mahasiswa dilihat dari memperhatikan yang disampaikan dosen, bertanya dan menjawab pertanyaan, mempresentasikan hasil Mind Map, dan membuat kesimpulan/rangkuman. Dari pelaksanaan kegiatan siklus sebanyak dua kali, terlihat adanya peningkatan aktivitas memperhatikan penjelasan dari dosen, keberanian mahasiswa dalam mengemukakan pertanyaan, kemampuan mahasiswa dalam menjawab pertanyaan, keberanian mahasiswa dalam mempresentasikan hasil mind map, dan membuat kesimpulan/rangkuman materi pembelajaran. Selain itu, terdapat juga peningkatan hasil belajar mahasiswa. Nilai rata-rata hasil belajar mahasiswa sebelum tindakan adalah 65. Pada siklus I, nilai ini meningkat menjadi 74. Nilai tersebut merupakan gabungan dari nilai Mind Map, post test, dan tes akhir atau ujian akhir semester. Nilai ini juga terlihat meningkat pada siklus II, yaitu menjadi 86. Dari hasil penelitian ini, dapat disimpulkan bahwa tenik Mind Map berbantuan e-learning Edmodo dapat meningkatkan aktivitas dan hasil belajar mahasiswa."

"Penelitian ini bertujuan untuk menjelaskan pengaruh motivasi belajar, perilaku belajar, dan model pembelajaran konstruktivisme terhadap prestasi belajar. Perilaku belajar terdiri dari kebiasaan mengikuti pelajaran, kebiasaan membaca buku teks, kunjungan ke perpustakaan, dan kebiasaan mengikuti ujian. Sampel yang digunakan di dalam penelitian ini dihasilkan melalui teknik pengambilan sampel bertujuan dari mahasiwa-mahasiwa jurusan akuntansi, manajemen, dan ilmu ekonomi studi pembangunan kelas reguler Fakultas Ekonomi dan Bisnis UIN Syarif Hidayatullah Jakarta. Sampel akhir dari penelitian ini adalah 202 mahasiswa. Data dianalisis dengan menggunakan regresi berganda. Hasil dari penelitian ini memberikan dukungan secara empiris bahwa perilaku belajar dalam hal kebiasaaan mengikuti pelajaran dan kunjungan ke perpustakaan berpengaruh terhadap prestasi belajar mahasiswa. Namun, hasil penelitian ini tidak memberikan dukungan secara empiris bahwa motivasi belajar, perilaku belajar dalam hal kebiasaan membaca buku teks dan kebiasaan mengikuti ujian, serta model pembelajaran konstruktivisme berpengaruh terhadap prestasi belajar mahasiswa."

"Text clustering adalah teknik pengelompokan teks sehingga teks di dalam kelompok yang sama memiliki tingkat similaritas yang lebih tinggi satu sama lain dibandingkan dengan teks pada kelompok yang berbeda. Proses pengelompokkan teks secara manual membutuhkan waktu dan sumber daya yang banyak sehingga digunakan machine learning untuk melakukan pengelompokan secara otomatis. Representasi dari teks perlu diekstraksi sebelum dimasukkan ke dalam model machine learning. Metode yang umumnya digunakan untuk mengekstraksi representasi data teks adalah TFIDF. Namun, metode TFIDF memiliki kekurangan yaitu tidak memperhatikan posisi dan konteks penggunaan kata. Model BERT adalah model yang dapat menghasilkan representasi kata yang bergantung pada posisi dan konteks penggunaan suatu kata dalam kalimat. Penelitian ini menganalisis kinerja model BERT sebagai metode representasi data teks dengan membandingkan model BERT dengan TFIDF. Selain itu, penelitian ini juga mengimplementasikan dan membandingkan kinerja metode ekstraksi dan normalisasi fitur yang berbeda pada representasi teks yang dihasilkan model BERT. Metode ekstraksi fitur yang digunakan adalah max dan mean pooling. Sementara itu, metode normalisasi fitur yang digunakan adalah identity, layer, standard, dan min-max normalization. Representasi teks yang diperoleh dimasukkan ke dalam 4 algoritma clustering berbeda, yaitu k-means clustering, eigenspace-based fuzzy c-means, deep embedded clustering, dan improved deep embedded clustering. Kinerja representasi teks dievaluasi dengan menggunakan metrik clustering accuracy, normalized mutual information, dan adjusted rand index. Hasil simulasi menunjukkan representasi data teks yang dihasilkan model BERT mampu mengungguli representasi yang dihasilkan TFIDF pada 28 dari 36 metrik. Selain itu, implementasi ekstraksi dan normalisasi fitur yang berbeda pada model BERT memberikan kinerja yang berbeda-beda dan perlu disesuaikan dengan algoritma yang digunakan.

---

Text clustering is a task of grouping a set of texts in a way such that text in the same group will be more similar toward each other than to those from different group. The process of grouping text manually requires significant amount of time and labor. Therefore, automation utilizing machine learning is necessary. Text representation needs to be extracted to become the input for machine learning models. The common method used to represent textual data is TFIDF. However, TFIDF cannot consider the position and context of a word in a sentence. BERT model has the capability to produce text representation that incorporate position and context of a word in a sentence. This research analyzed the performance of BERT model as a text representation method by comparing it with TFIDF. Moreover, various feature extraction and normalization methods are also applied in text representation from BERT model. Feature extraction methods used are max and mean pooling. On the other hand, feature normalization methods used are identity, layer, standard, and min-max normalization. Text representation obtained become an input for 4 clustering algorithms, k-means clustering, eigenspace-based fuzzy c-means, deep embedded clustering, and improved deep embedded clustering. Performance of text representations in text clustering are evaluated utilizing clustering accuracy, normalized mutual information, and adjusted rand index. Simulation results showed that text representation obtained from BERT model outperforms representation from TFIDF in 28 out of 36 metrics. Furthermore, different feature extraction and normalization produced varied performances. The usage of these feature extraction and normalization must be altered depending on the text clustering algorithm used."

"Text clustering adalah teknik pengelompokan teks sehingga teks di dalam kelompok yang sama memiliki tingkat similaritas yang lebih tinggi satu sama lain dibandingkan dengan teks pada kelompok yang berbeda. Proses pengelompokkan teks secara manual membutuhkan waktu dan sumber daya yang banyak sehingga digunakan machine learning untuk melakukan pengelompokan secara otomatis. Representasi dari teks perlu diekstraksi sebelum dimasukkan ke dalam model machine learning. Metode yang umumnya digunakan untuk mengekstraksi representasi data teks adalah TFIDF. Namun, metode TFIDF memiliki kekurangan yaitu tidak memperhatikan posisi dan konteks penggunaan kata. Model BERT adalah model yang dapat menghasilkan representasi kata yang bergantung pada posisi dan konteks penggunaan suatu kata dalam kalimat. Penelitian ini menganalisis kinerja model BERT sebagai metode representasi data teks dengan membandingkan model BERT dengan TFIDF. Selain itu, penelitian ini juga mengimplementasikan dan membandingkan kinerja metode ekstraksi dan normalisasi fitur yang berbeda pada representasi teks yang dihasilkan model BERT. Metode ekstraksi fitur yang digunakan adalah max dan mean pooling. Sementara itu, metode normalisasi fitur yang digunakan adalah identity, layer, standard, dan min-max normalization. Representasi teks yang diperoleh dimasukkan ke dalam 4 algoritma clustering berbeda, yaitu k-means clustering, eigenspace-based fuzzy c-means, deep embedded clustering, dan improved deep embedded clustering. Kinerja representasi teks dievaluasi dengan menggunakan metrik clustering accuracy, normalized mutual information, dan adjusted rand index. Hasil simulasi menunjukkan representasi data teks yang dihasilkan model BERT mampu mengungguli representasi yang dihasilkan TFIDF pada 28 dari 36 metrik. Selain itu, implementasi ekstraksi dan normalisasi fitur yang berbeda pada model BERT memberikan kinerja yang berbeda-beda dan perlu disesuaikan dengan algoritma yang digunakan.

---

Text clustering is a task of grouping a set of texts in a way such that text in the same group will be more similar toward each other than to those from different group. The process of grouping text manually requires significant amount of time and labor. Therefore, automation utilizing machine learning is necessary. Text representation needs to be extracted to become the input for machine learning models. The common method used to represent textual data is TFIDF. However, TFIDF cannot consider the position and context of a word in a sentence. BERT model has the capability to produce text representation that incorporate position and context of a word in a sentence. This research analyzed the performance of BERT model as a text representation method by comparing it with TFIDF. Moreover, various feature extraction and normalization methods are also applied in text representation from BERT model. Feature extraction methods used are max and mean pooling. On the other hand, feature normalization methods used are identity, layer, standard, and min-max normalization. Text representation obtained become an input for 4 clustering algorithms, k-means clustering, eigenspace-based fuzzy c-means, deep embedded clustering, and improved deep embedded clustering. Performance of text representations in text clustering are evaluated utilizing clustering accuracy, normalized mutual information, and adjusted rand index. Simulation results showed that text representation obtained from BERT model outperforms representation from TFIDF in 28 out of 36 metrics. Furthermore, different feature extraction and normalization produced varied performances. The usage of these feature extraction and normalization must be altered depending on the text clustering algorithm used."

"Tujuan penelitian ini adalah untuk mengetahui gambaran atau persepsi karyawan terhadap kompetensi perusahaannya dalam aspek peningkatan mutu dan pembelajaran yang diperlukan untuk memperoleh dan mempertahankan posisi persaingan serta untuk mendukung keunggulan bersaing yang berkelanjutan atau Sustainable Competitive Advantage (SCR) pada era globalisasi ini.Penelitian ini dilakukan dengan menggunakan metode survei dan wawancara dengan memilih studi kasus di PT. DENSO INDONESIA CORPORATION yang bergerak di bidang suku cadang kendaraan. Sampel dipilih dengan cara Stratified Random Sampling sebanyak 47 orang dan populasi sebesar 153 orang. Penulis menerima pengembalian kuesioner sebanyak 41 buah dari 47 buah kuesioner yang dibagikan.Dalam melakukan penelitian ini, penulis menggunakan instrumen kriteria Malcolm Baldrige National Quality Award (MBNQA) untuk mendapatkan persepsi tentang aspek-aspek peningkatan mutu dan Learning Organization Profile (LOP) untuk mengukur variabel tingkat penerapan pembelajaran (yang dalam hal ini menggunakan kasus pembelajaran Sistem Manajemen Mutu QS-9000). Dalam mengukur variabel tingkat pembelajaran penulis menggunakan skala model Liked.Dari hasil penelitian diketahui bahwa Sistem Manajemen Mutu QS﷓ 9000 dapat mendukung daya saing PT. DENSO sejauh Iangkah-langkah yang diambil dalam usaha peningkatan mutu berdasarkan pada unsur-unsur yang terdapat di dalam Sistem Manajemen Mutu ini.Diketahui Pula bahwa dari 79,51% responden hanya sebanyak 29,80 % responden yang menyatakan bahwa tingkat penerapan Learning Organization baru diterapkan pada bagian tertentu organisasi, sedangkan selebihnya sebanyak 25,32% responden menyatakan telah diterapkan pada sebagian besar organisasi dan 24,39 % menyatakan telah diterapkan sepenuhnya di seluruh organisasi. Dan perhitungan skor rata-rata untuk penerapan seluruh aspek pembelajaran diperoleh hasil bahwa tingkat penerapan Learning Organization di PT. DENSO berada di atas skor rata-rata 500 perusahaan yang diteliti oleh Marquardt dalam 8 (delapan ) tahun terakhir (penelitian diadakan pada tahun 1996).Secara umum dapat disimpulkan bahwa dengan tingkat penerapan Learning Organization yang cukup baik, usaha-usaha yang mengarah pada pencapaian peningkatan mutu di PT. DENSO cukup signifikan. Selain itu hal ini pun akan mendukung perusahaan dalam meraih Keunggulan Bersaing yang Berkelanjutan/ Sustainable Competitive Advantage (SCR)."

"Sudah menjadi fenomena yang diterima umum bahwa pembelajaran organisasi untuk beradaptasi dengan lebih baik dan iebih cepat terhadap perubahan lingkungan. Hanya pembelajaran yang dilakukan diseluruh level organisasilah yang memungkinkan pesantren untuk memiliki kecepatan, inovasi, dan kualitas yang dibutuhkannya untuk merespon dengan baik ekspektasi-ekspektasi pelanggan yang terus berubah. Pembelajaran telah menjadi satu-satunya keunggulan kompetitif yang terns berkelanjutan, baik bagi individu-individu dalam organisasi maupun kolektivitas mereka.Penelitian ini disusun untuk menelaah variabel-variabel yang dianggap mempengaruhi kinerja pembelajaran organisasi (Y), yaitu pembelajara individual (Xi) dan pembelajaran kelompok (X2), hubungan masing-masing variabel bebas (Xi) dan (X2) terhadap variabel terikat (Y), dan kedua variabel (Xi bersama-sama X2) terhadap variabel terikat (Y} Objek penelitian ini dengan sendirinya adalah kinerja pembelajaran organisasi Departemen Pendidikan dan Pelatihan Pesantren Daarut Tauhiid dengan populasi sebanyak 53 orang karyawan tetap dan kontrak yang semuanya juga sebagai santri karya dengan melakukan sensus terhadap semuapopulasi. Instrumen yang digunakan adalah koesioner bake dalam skala 5 Likert, dan telah melalui tahapan uji validitas serta reliabilitas. Data hasil penelitian diolah secara deskriptif dengan menggunakan instrument uji statistik analisis regresi dan korelasi Spearman's Rho.Hasil analisis data menunjukkan bahwa terdapat hubungan positif yang signifikan antara pembelajaran individu dengan kinerja pembelajaran organisasi. Begitu pula terdapat hubungan positif yang signifikan antara pembelajaran kelompok dengan kinerja pembelajaran organisasi. Dan juga terdapat hubungan positif yang signifikan antara pembelajaran individu dan pembelajaran kelompok secara bersamasama dengan kinerja pembelajaran organisasi.

---

The Relationship Of Individual Learning And Team Learning Toward Organizational Learning ("Case Study At Education And Culture Departement And Daarut Tauhiid Islamic Boarding School Training, Bandung?)It has been widely accepted that organization learning promotes any company to better and faster adapt to its turbulent environment changes. Only by organizationwide learning will a company have the speed, innovation and quality essential to respond with competence to the ever-growing expectations of its clients and customers. Learning has really become the only sustainable competitive advantage, individual or collectively to keep on any company's position in the market.The aim of this research is therefore to study the relationship between variables of individual learning, team learning on the performance of organizational learning. The study indicates that there is significant positive relationship between individual learning and organizational learning; a significant positive relationship between team learning and organizational learning performance, and a significant positive relationship between individual learning and team learning altogether with the performance of organizational learning."