Claim Missing Document
Check
Articles

Found 25 Documents
Search

Implementasi Model Pembelajaran RME Berbantuan LMS-Canva sebagai Upaya Memotivasi Siswa yang Ditinjau dari Sudut Pandang Filsafat Matematika Rusmini, Rusmini; Dewi, Izwita; Simamora, Elmanani
Ideguru: Jurnal Karya Ilmiah Guru Vol 9 No 2 (2024): Edisi Mei 2024
Publisher : Dinas Pendidikan, Pemuda dan Olahraga Daerah Istimewa Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51169/ideguru.v9i2.1005

Abstract

The aim of this research is to find out whether the implementation of the Realistic Mathematics Education (RME) learning model assisted by LMS-Canva has a motivating impact on students from a mathematical philosophy perspective. This research method is qualitative. The resource persons for this research were students and teachers at SMP Negeri 3 Percut Sei Tuan. Data was obtained by observation, interviews, observations during the process of implementing the learning model in all classes VII and VIII. Conduct interviews with students and subject teachers and homeroom teachers by gathering teachers in the hall of SMP Negeri 3 Percut Sei Tuan. Provide short questions and answers to both students and teachers regarding the learning model applied. Based on triangulation of data obtained, the implementation of the RME learning model provides an overview of the RME learning model from the perspective of mathematical philosophy and the implementation of the learning model with LMS-Canva. The implementation of the RME learning model is significant in efforts to motivate students to learn mathematics.
Percentile Bootstrap Interval on Univariate Local Polynomial Regression Prediction Mansyur, Abil; Simamora, Elmanani; Ahmad, Ahmad
JTAM (Jurnal Teori dan Aplikasi Matematika) Vol 7, No 1 (2023): January
Publisher : Universitas Muhammadiyah Mataram

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31764/jtam.v7i1.11752

Abstract

This study offers a new technique for constructing percentile bootstrap intervals to predict the regression of univariate local polynomials. Bootstrap regression uses resampling derived from paired and residual bootstrap methods. The main objective of this study is to perform a comparative analysis between the two resampling methods by considering the nominal coverage probability. Resampling uses a nonparametric bootstrap technique with the return method, where each sample point has an equal chance of being selected. The principle of nonparametric bootstrapping uses the original sample data as a source of diversity in contrast to parametric bootstrapping, where the variety comes from generating a particular distribution. The simulation results show that the paired and residual bootstrap interval coverage probabilities are close to nominal coverage. The results showed no significant difference between paired bootstrap interval and percentile residual. Increasing the bootstrap sample size sufficiently large gives the scatterplot smoothness of the confidence interval. Applying the smoothing parameter by choice gives a second-order polynomial regression with a smoother distribution than the first-order polynomial regression. The scatterplot shows that the second-degree polynomial regression can capture the data curvature feature compared to the first-degree polynomial. The bands made from second-degree polynomials give a narrower width than first-degree polynomials. In contrast, applying optimal smoothing parameters to the model provides different conclusions by using smoothing parameters based on choice. In addition to the differences based on the scatterplot, the bootstrap estimates of the coverage probability are also other. Selecting smoothing parameters based on a particular value provides probability coverage with the paired bootstrap method for the first-degree local polynomial regression is 0.93, while the second-degree local polynomial is 0.96. The probability of coverage based on the residual bootstrap method for the first-degree local polynomial regression is 0.95, while the second-degree local polynomial is 0.96. The probability coverage based on the optimal parameters of the paired bootstrap method for the first-degree local polynomial regression is 0.945, while the second-degree local polynomial is 0.93. The residual bootstrap method gives the first-degree local polynomial regression of 0.95, while the second-degree local polynomial is 0.93. In general, both bootstrap methods work well for estimating prediction confidence intervals.
IMPLEMENTASI PENDEKATAN DEEP LEARNING UNTUK PENGUATAN LITERASI NUMERASI GURU SMP DI KABUPATEN LABUHANBATU UTARA Mansyur, Abil; Sinaga, Fajar Apollo; Simamora, Elmanani; Siregar, Budi Halomoloan; Siregar, Tiur Malasari; Panggabean, Suvriadi
JURNAL PENGABDIAN KEPADA MASYARAKAT Vol. 31 No. 4 (2025): Oktober-Desember
Publisher : Universitas Negeri Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24114/jpkm.v31i4.70295

Abstract

Kegiatan pengabdian kepada masyarakat ini bertujuan untuk merevitalisasi pembelajaran melalui pendekatan Deep Learning yang berorientasi pada peningkatan literasi numerasi guru-guru SMP di Kabupaten Labuhanbatu Utara. Program melibatkan empat mitra: SMP Negeri 1 Kualuh Selatan, SMP Negeri 3 Kualuh Selatan, SMP Negeri 4 Kualuh Hulu, dan Pesantren Arkanuddin. Metode pelaksanaan disesuaikan dengan kondisi masing-masing mitra: model best practice untuk tiga SMP Negeri dengan dua tahap (BP I: dosen sebagai role model, BP II: guru sebagai pelaksana), dan model pelatihan intensif dengan peer teaching untuk Pesantren Arkanuddin. Kegiatan dilaksanakan pada Mei 2025 melalui tahapan persiapan, pelaksanaan, evaluasi, pembinaan, dan monitoring berkelanjutan. Hasil menunjukkan peningkatan signifikan kompetensi guru dalam mengembangkan perangkat pembelajaran berbasis Deep Learning yang mengintegrasikan prinsip mindful, meaningful, dan joyful learning. Sebanyak 33 guru berhasil mengembangkan perangkat pembelajaran berkualitas yang mencakup RPP, LKPD, media pembelajaran, dan instrumen evaluasi. Pembelajaran di kelas menunjukkan peningkatan keterlibatan aktif siswa, kemampuan berpikir kritis, dan literasi numerasi. Hasil monitoring menunjukkan bahwa konsistensi implementasi Deep Learning bervariasi antar guru. Sekitar 70% guru menunjukkan konsistensi tinggi dalam menerapkan prinsip-prinsip Deep Learning, 25% menunjukkan konsistensi sedang yang perlu penguatan, dan 5% masih memerlukan pembinaan intensif. Faktor-faktor yang memengaruhi konsistensi meliputi: pemahaman konseptual guru, dukungan kepala sekolah, ketersediaan sarana-prasarana, dan beban kerja guru.
Keterkaitan Filsafat Matematika dengan Model Pembelajaran Berbasis IT Fairus, Fairus; Dewi, Izwita; Simamora, Elmanani
Jurnal Cendekia : Jurnal Pendidikan Matematika Vol 7 No 1: Jurnal Cendekia: Jurnal Pendidikan Matematika Volume 7 Nomor 1 Tahun 2023
Publisher : Mathematics Education Study Program

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/cendekia.v7i1.1921

Abstract

Filsafat dan matematika mempunyai keterkaitan dalam pembelajaran matematika, keterkaitan dapat dilihat pada model pembelajaran matematika terutama yang berbasis konstruktivistik dan berbasis teknologi. Tujuan dari penelitian ini adalah untuk memberikan kajian secara mendalam terhadap filsafat matematika, model pembelajaran matematika di tinjau dari sudut pandang filsafat pendidikan, menelaah berbagai refrensi terkait filsafat, filsafat pendidikan, filsafat matematika, model pembelajaran matematika kaitannya dengan filsafat, dan filsafat matematika kaitannya dengan model pembelajaran berbasis teknologi informasi. Teknik pengumpulan data menggunakan data sekunder yang berasal dari buku, artikel atau jurnal terkakreditasi dari tahun 2015 sampai dengan tahun 2022. Metode penelitian ini adalah studi literatur dengan pendekatan kualitatif. Teknik analisis data studi literatur menekankan pada referensi atau pustaka dari berbagai kajian filsafat, filsafat pendidikan, filsafat matematika, model pembelajaran matematika terkait dengan filsafat, dan filsafat matematika kaitannya dengan model pembelajaran berbasis teknologi informasi. Hasil pembahasan tulisan ini menyimpulkan bahwa: 1) Filsafat matematika memberikan pengaruh yang besar dalam pembelajaran matematika; 2) Model pembelajaran matematika harusnya dikaitkan dengan filsafat pendidikan, yakni mengaitkan konsep kehidupan nyata; 3) Pengintegrasian IT dalam model pembelajaran sangat mendukung proses pembelajaran sehingga pembelajaran menjadi lebih menarik, menumbuhkan minat belajar siswa, meningkatkan kemampuan matematis, meningkatkan motivasi belajar peserta didik, membuat pembelajaran menjadi lebih praktis, efektif dan efesien. Kebermanfaatan penelitian ini bagi orang lain adalah memberikan informasi dan pengetahuan terkait filsafat matematika terhadap model pembelajaran matematika berbasis IT.
PROJECT BASED LEARNING (PjBL) - BASED STUDENT WORKSHEETS ON INTEGRAL CALCULUS TO FASILITATE STUDENT’S PROBLEM SOLVING Lisa, Lisa; Syahputra, Edi; Simamora, Elmanani; Napitupulu, E. Elvis; Panjaitan, Asmin
AKSIOMA: Jurnal Program Studi Pendidikan Matematika Vol 15, No 1 (2026)
Publisher : UNIVERSITAS MUHAMMADIYAH METRO

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24127/ajpm.v15i1.11490

Abstract

AbstractIntegral Calculus instruction often faces challenges in developing 21st century skills, particularly in problem-solving. Initial observations indicate that students struggle to apply integral concepts to real-world contexts, largely due to passive, non-interactive conventional teaching methods. This phenomenon leads to low student engagement and inadequate problem-solving abilities. Therefore, this study aimed to develop a Project Based Learning (PjBL)-based student worksheet proven to be valid, practical, and effective as a solution to enhance students' problem-solving skills. This research used the ADDIE development model (Analysis, Design, Development, Implementation, and Evaluation). Data were collected through expert validation, student response questionnaires, and N-gain analysis from pre- and post-test results. The findings show that the developed worksheets are highly valid (average 4.5), practical (average student responses above 4.20), and effective (average N-gain 0.71), indicating a significant improvement in students' problem-solving skills. In conclusion, the PjBL-based worksheets successfully serve as a valid, practical, and effective innovation for addressing these learning problems. It is recommended that future research conduct trials on a broader scale to enhance the generalizability of the findings and develop more comprehensive instruments to measure soft skills holistically. AbstrakPembelajaran Kalkulus Integral seringkali menghadapi tantangan dalam mengembangkan keterampilan abad ke-21, khususnya dalam pemecahan masalah. Observasi awal menunjukkan bahwa mahasiswa kesulitan menerapkan konsep integral ke konteks nyata, yang sebagian besar disebabkan oleh metode pembelajaran konvensional yang pasif dan kurang interaktif. Fenomena ini mengakibatkan rendahnya keterlibatan mahasiswa dan kemampuan pemecahan masalah yang kurang memadai. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan sebuah Lembar Kerja Mahasiswa (LKM) berbasis Project Based Learning (PjBL) yang terbukti valid, praktis, dan efektif sebagai solusi untuk meningkatkan keterampilan pemecahan masalah mahasiswa. Penelitian ini menggunakan model pengembangan ADDIE (Analysis, Design, Development, Implementation, and Evaluation). Data dikumpulkan melalui validasi ahli, kuesioner respons mahasiswa, serta analisis N-gain dari hasil tes awal dan akhir. Hasil penelitian menunjukkan bahwa LKM yang dikembangkan sangat valid (rata-rata 4.5), praktis (rata-rata respons mahasiswa di atas 4.20), dan efektif (rata-rata N-gain 0.71), menunjukkan adanya peningkatan signifikan pada keterampilan pemecahan masalah mahasiswa. Kesimpulannya, LKM berbasis PjBL berhasil menjadi inovasi yang valid, praktis, dan efektif dalam mengatasi permasalahan pembelajaran tersebut. Disarankan agar penelitian selanjutnya melakukan uji coba dalam skala yang lebih luas untuk meningkatkan generalisasi temuan dan mengembangkan instrumen yang lebih komprehensif untuk mengukur soft skill secara holistik.