Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kehidupan ini adalah suatu proses yang tiada henti, suatu proses yang melibatkan banyak hal dan mengakibatkan banyak hal. Salah satu proses memiliki pengaruh besar bagi manusia adalah pendidikan oleh karena itulah untuk menggapai sukses di masa depan kita harus mengoptimalkan bidang ini dengan lebih maksimal lagi. Kita sebagai generasi muda penerus bangsa harus jeli melihat kesalahan-kesalahan yang ada dalam sistem pengajaran pendidikan di masa lalu dan berusaha untuk memperbaikinya di masa depan. Kunci pengajaran itu sendiri ada hubungan dua arah antara gura dan murid yang ditengahi oleh keadaan dialog sehingga dapat menghasilkan pengajaran yang lebih optimal lagi bagi kedua belah pihak. Dengan begitu diharapkan dunia bisa ditata oleh orang-orang yang berkualitas dan menjadi tempat tinbggal yang lebih baik lagi untuk mahluk hidup serta generasi sesudah kita"

"Platform digital, termasuk aplikasi mobile, mempunyai peran penting dalam gigeconomy, yaitu sebagai media gig worker dalam berinteraksi dengan penyedia layanantenaga kerja. Aplikasi mobile berbasis gig economy semakin diminati masyarakat.Peningkatan jumlah pengguna mengakibatkan meningkatnya jumlah unduhan dan ulasanyang diberikan. Namun, semakin banyak ulasan menyulitkan pengembang dalammemahami informasi yang terdapat dalam ulasan. Selain itu, satu ulasan dapat memilikiberbagai informasi. Untuk mengatasi masalah tersebut, penelitian ini mengusulkan modelyang dapat mengkategorikan konten dan sentimen ulasan menggunakan teknikpembelajaran mesin. Algoritme Support Vector Machine (SVM), Multinomial NaïveBayes, Complement Naïve Bayes, Binary Relevance, Classifier Chain, dan Label powerset digunakan pada penelitian ini. Hasil dari penelitian didapatkan algoritme SVMsebagai algoritme terbaik, baik pada klasifikasi sentimen ulasan maupun kategorisasiulasan.

---

Digital platforms, including mobile applications, have an important role in gig economy,

as a gig worker platform in interacting with labor service providers. Gig economy based

mobile applications are increasingly in demand by the public. An increase in the number

of users results in an increase in the number of downloads and reviews provided.

However, the number of reviews makes it difficult for developers to understand the

information contained in reviews. In addition, one review can have a variety of

information. To overcome this problem, this study proposes a model that can categorize

content and sentiment reviews using machine learning techniques. Support Vector

Machine (SVM), Multinomial Naïve Bayes, Complement Naïve Bayes, Binary

Relevance, Classifier Chain, and Label power sets were used in this study. The results of

the study obtained the SVM algorithm as the best algorithm, both in the classification of

sentiment reviews and review categorization."

"Data aktivitas pada Learning Management System (LMS) yang digunakan di Universitas XYZ mengalami pertumbuhan yang signifikan dan tidak terbendung. Hal ini menimbulkan tantangan dalam pemrosesan dan analisis data tersebut. Penelitian ini melakukan pemrosesan data aktivitas mahasiswa secara streaming dan analisis untuk menemukan pola aktivitas mahasiswa di LMS. Pola aktivitas yang diidentifikasi menggunakan snapshot pada periode minggu pertama perkuliahan, minggu Ujian Tengah Semester (UTS), minggu sebelum Ujian Akhir Semester (UAS), dan pada saat minggu UAS. Analisis dilakukan dengan algoritma data mining menggunakan teknik clustering dengan mengambil snapshot data pada mata kuliah Metodologi Penelitian dan Penulisan Ilmiah semester genap 2018/2019. Algoritma dari teknik clustering yang disimulasikan adalah K-Means dan agglomerative hierarchical clustering dengan menggunakan evaluasi silhouette index untuk menentukan pola dengan jumlah cluster yang sesuai. Dari eksperimen terhadap algoritma clustering, algoritma agglomerative hierarchical clustering menjadi algoritma terbaik dalam mengelompokan aktivitas mahasiswa pada periode minggu pertama, minggu UTS, minggu sebelum UAS, dan minggu UAS. Hasil clustering memperlihatkan bahwa terdapat perbedaan pola aktivitas antara periode minggu pertama, minggu UTS, minggu sebelum UAS, dan minggu UAS, di mana terjadinya peningkatan aktivitas dan terdapat perbedaan pola cluster menjelang minggu UAS. Secara umum, pola cluster terdiri dari mahasiswa yang tidak self-regulated dan mahasiswa yang self-regulated. Mahasiswa yang tidak self-regulated dapat dilakukan intervensi oleh dosen untuk dapat meningkatkan pembelajarannya.

---

Activity data on the Learning Management System (LMS) used at XYZ University is experiencing significant and continuous data growth. This poses challenges in processing and analyzing such data. This study performs streaming student activity data processing and analysis to find patterns of student activity in LMS. Activity patterns identified using snapshots in the period of the first week of lectures, the week of the mid-term exam, the week before the final exam, and during the final exam week. The analysis was carried out by data mining algorithms using clustering techniques using snapshot of Research Methodology and Scientific Writing course in the term of even semester 2018/2019. The algorithm of the simulated clustering technique is K-Means and agglomerative hierarchical clustering using silhouette index evaluation to determine the pattern with the optimal number of clusters. From experiments on the clustering algorithm, the hierarchical clustering algorithm became the best algorithm in clustering student activities in the first week of lectures, mid-term exam weeks, the week before final exam, and final exam weeks. The clustering results show that there are differences in activity patterns between the first week, mid-term exam week, the week before final exam, and final exam week, where there is an increase in activity and there are differences in cluster patterns before the exam week. In general, the pattern consists of non-self-regulated students and self-regulated students. Non-self-regulated students can be intervened by lecturers to improve their learning"