Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal Pengabdian Masyarakat dan Riset Pendidikan
M. Jembar Jomantara
Universitas Horizon Indonesia
Humanities Education Languange, Linguistic, Communication & Media Mathematics Other

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
AI-Based Habit Reminder For Mewing Exercise: Pengembangan Aplikasi Mobile Berbasis Kecerdasan Buatan untuk Meningkatkan Konsistensi Praktik Mewing : Penelitian Deden Moch Alfiansyah; Lila Setiyani; Devi Fajar Wati; M. Jembar Jomantara; Dedih Dedih; Anwar Hilman
Jurnal Pengabdian Masyarakat dan Riset Pendidikan Vol. 4 No. 4 (2026): Jurnal Pengabdian Masyarakat dan Riset Pendidikan Volume 4 Nomor 4 April - Juni
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/jerkin.v4i4.6468

Abstract

Mewing merupakan teknik postur lingual yang dikembangkan oleh Dr. John Mew yang bertujuan untuk memperbaiki perkembangan kraniofasial melalui penempatan lidah yang benar pada langit-langit mulut. Meskipun manfaat mewing telah mendapat perhatian luas, tantangan utama yang dihadapi praktisi adalah rendahnya konsistensi dalam menjalankan latihan secara rutin. Penelitian ini menyajikan pengembangan aplikasi mobile bernama MewingAI yang memanfaatkan kecerdasan buatan untuk memberikan pengingat berbasis kebiasaan yang dipersonalisasi. Aplikasi dikembangkan menggunakan Flutter dengan backend Firebase dan model machine learning Random Forest Classifier untuk menganalisis pola perilaku pengguna. Evaluasi dilakukan melalui User Acceptance Testing (UAT) dan System Usability Scale (SUS) terhadap 30 partisipan selama empat minggu. Hasil menunjukkan peningkatan konsistensi mewing sebesar 40,6% (dari 42,5% menjadi 83,1%) pada kelompok eksperimen dibandingkan kelompok kontrol yang hanya meningkat 2,4%. Skor SUS rata-rata sebesar 80,3 (kategori "Good") mengindikasikan tingkat usabilitas yang memadai. Penelitian ini membuktikan bahwa sistem AI-based habit reminder dapat secara signifikan meningkatkan konsistensi praktik mewing (p < 0,001).
Model Deep Learning untuk Mendeteksi dan Memprediksi Konsentrasi Manusia dalam Lingkungan Dinamis: Penelitian Devi Fajar Wati; Lila Setiyani; Deden Moch Alfiansyah; M. Jembar Jomantara; Dedih Dedih; M. Ridho Darmawan
Jurnal Pengabdian Masyarakat dan Riset Pendidikan Vol. 4 No. 4 (2026): Jurnal Pengabdian Masyarakat dan Riset Pendidikan Volume 4 Nomor 4 April - Juni
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/jerkin.v4i4.6336

Abstract

Konsentrasi manusia merupakan aspek kognitif penting yang memengaruhi efektivitas belajar, produktivitas kerja, dan keselamatan dalam aktivitas sehari-hari. Namun, meningkatnya distraksi digital dan lingkungan yang dinamis membuat individu semakin sulit mempertahankan fokus secara konsisten. Penelitian sebelumnya umumnya hanya berfokus pada deteksi tingkat konsentrasi dalam lingkungan laboratorium yang terkontrol dan belum banyak membahas prediksi perubahan konsentrasi secara real-time pada situasi dinamis. Penelitian ini bertujuan mengembangkan model deep learning multimodal untuk mendeteksi dan memprediksi tingkat konsentrasi manusia menggunakan data fisiologis dan perilaku. Pendekatan yang diusulkan mengintegrasikan sinyal electroencephalography (EEG), eye-tracking, dan perilaku interaksi digital untuk meningkatkan akurasi analisis konsentrasi. Arsitektur hybrid Convolutional Neural Network (CNN) dan Bidirectional Long Short-Term Memory (BiLSTM) digunakan untuk menangkap pola spasial dan temporal dari data multimodal. Model dirancang untuk melakukan deteksi konsentrasi secara real-time serta memprediksi perubahan fokus jangka pendek pada lingkungan dinamis seperti pembelajaran daring, aktivitas multitasking, dan simulasi mengemudi. Metode penelitian meliputi pengumpulan data, pra-pemrosesan, pengembangan model, dan evaluasi performa menggunakan metrik accuracy, precision, recall, F1-score, dan RMSE. Hasil akhir penelitian berupa model deep learning multimodal yang mampu mendeteksi dan memprediksi tingkat konsentrasi manusia secara lebih adaptif dibandingkan pendekatan unimodal. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan teknologi kecerdasan buatan pada bidang pendidikan, kesehatan digital, dan keselamatan kerja..
Co-Authors Anwar Hilman Deden Moch Alfiansyah Dedih Dedih Devi Fajar Wati Lila Setiyani M. Ridho Darmawan