Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Journal of Computer Science Artificial Intelligence and Communications Jurnal Pendidikan Anak Usia Dini
Mel Wulandini
Universitas Pembangunan Panca Budi
Humanities Computer Science & IT Earth & Planetary Sciences Education Engineering Social Sciences Other

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

Found 2 Documents
Search

 1 
Implementasi Pembelajaran STEAM untuk Mengembangkan Kreativitas Anak Usia Dini Cindy Atika Rizki; Mel Wulandini; Nabila Khairuniza
Jurnal Pendidikan Anak Usia Dini Vol. 1 No. 2 (2026): Maret 2026
Publisher : CV. Raskha Media Group

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.64803/jupaud.v1i2.191

Abstract

Kreativitas merupakan salah satu aspek penting dalam perkembangan anak usia dini yang perlu dikembangkan melalui kegiatan pembelajaran yang aktif, eksploratif, dan menyenangkan. Namun, proses pembelajaran yang masih berpusat pada guru dan cenderung memberikan contoh hasil akhir yang harus diikuti anak dapat membatasi kesempatan anak dalam mengembangkan ide dan imajinasinya. Penelitian ini bertujuan untuk mengetahui implementasi pembelajaran Science, Technology, Engineering, Arts, dan Mathematics (STEAM) dalam mengembangkan kreativitas anak usia dini. Penelitian ini menggunakan metode Penelitian Tindakan Kelas (PTK) yang dilaksanakan dalam dua siklus, dengan setiap siklus terdiri atas tahap perencanaan, tindakan, observasi, dan refleksi. Subjek penelitian adalah anak kelompok B usia 5–6 tahun. Teknik pengumpulan data dilakukan melalui observasi, wawancara, dan dokumentasi. Perkembangan kreativitas anak diamati berdasarkan empat indikator, yaitu fluency, flexibility, originality, dan elaboration. Hasil penelitian menunjukkan adanya peningkatan kreativitas anak setelah penerapan pembelajaran STEAM. Berdasarkan data yang diperoleh, persentase anak yang mencapai kategori Berkembang Sesuai Harapan (BSH) dan Berkembang Sangat Baik (BSB) meningkat dari 40% pada kondisi awal menjadi 65% pada siklus I dan meningkat menjadi 90% pada siklus II. Penerapan pembelajaran STEAM memberikan kesempatan kepada anak untuk melakukan eksplorasi, menghasilkan ide, mencoba berbagai alternatif penyelesaian, menciptakan karya, serta mengembangkan imajinasi melalui pengalaman belajar secara langsung. Dengan demikian, pembelajaran STEAM dapat menjadi salah satu pendekatan yang efektif dalam mendukung pengembangan kreativitas anak usia dini melalui kegiatan pembelajaran yang aktif, kontekstual, dan berpusat pada anak.
Detection of AI-Generated Text in Academic Writing Using Transformer-Based Models Cindy Atika Rizki; Nabila Khairuniza; Mel Wulandini
Journal of Computer Science, Artificial Intelligence and Communications Vol 3 No 1 (2026): May 2026
Publisher : Raskha Media Group

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.64803/jocsaic.v3i1.178

Abstract

The rapid advancement of generative artificial intelligence (AI), particularly large language models (LLMs), has significantly transformed academic writing by enabling the automatic generation of coherent and contextually relevant text. While these technologies improve writing efficiency and accessibility, they also raise serious concerns regarding academic integrity, originality, and authorship. Conventional plagiarism detection tools are ineffective in identifying AI-generated content because such text is often original rather than copied. This study proposes a transformer-based approach for detecting AI-generated text in academic writing by evaluating the performance of four pre-trained language models: BERT, RoBERTa, DistilBERT, and DeBERTa. The research methodology consists of dataset collection, text preprocessing, dataset splitting, transformer model fine-tuning, and performance evaluation using Accuracy, Precision, Recall, F1-score, and ROC-AUC. Experimental results show that all evaluated transformer models achieved excellent classification performance, with DeBERTa producing the highest accuracy of 98.10%, followed by RoBERTa (97.20%), BERT (95.10%), and DistilBERT (93.40%). These findings demonstrate that transformer-based architectures effectively capture contextual and semantic characteristics that distinguish AI-generated text from human-authored academic writing. The proposed approach provides a reliable solution for supporting academic integrity and assisting educators, publishers, and research institutions in detecting AI-generated content within scholarly documents.
Co-Authors Cindy Atika Rizki Nabila Khairuniza