Claim Missing Document
Check
Articles

Found 12 Documents
Search

PENGEMBANGAN BAHAN AJAR TEKS FABEL PELAJARAN BAHASA INDONESIA PADA SISWA KELAS IV SDS AL-HIRA PERMATA NADIAH MEDAN Nasution, Niar; ., Sutikno; Hasibuan, Ahmad Laut; ., Harianto
Silampari Bisa: Jurnal Penelitian Pendidikan Bahasa Indonesia, Daerah, dan Asing Vol 7 No 1 (2024): Silampari Bisa: Jurnal Penelitian Pendidikan Bahasa Indonesia, Daerah dan Asing
Publisher : LPPM Universitas PGRI Silampari Lubuklinggau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31540/silamparibisa.v7i1.2782

Abstract

Penelitian ini bertujuan mengembangkan bahan ajar fabel untuk peserta didik kelas IV Sekolah Dasar. Penelitian ini merupakan penelitian yang menggunakan model pengembangan Borg and Gall yang terdiri dari 6 tahapan yaitu pengumpulan informasi, analysis, design awal, validasi prototipe, revisi prototipe, dan produk akhir. Hasil dari penelitian ini menghasilkan produk bahan ajar fabel pada pembelajaran bahasa indonesia bagi peserta didik. Dari hasil uji coba kelompok kecil para peserta didik sangat senang mengikuti pembelajaran menggunakan teks fabel, dan hasil wawancara guru kelas IV yaitu guru sangat menyukai proses pembelajaran yang dilakukan, saat uji coba siswa sangat antusias saat mengikuti pembelajaran. Berdasarkan proses pengembangan mulai dari validasi materi, penyajian, serta validasi kebahasaan hingga hasil uji coba kelompok kecil, secara keseluruhan disimpulkan bahwa produk bahan ajar fabel ini sangat baik digunakan. Selanjutnya hasil penelitian ini menunjukkan bahwa bahan ajar fabel pada pembelajaran bahasa Indonesia efektif untuk meningkatkan prestasi belajar siswa.
Cost-Sensitive Learning untuk Peningkatan Akurasi Prediksi Kredit Macet pada Data Imbalance ., Harianto; Anam, Reza Irsyadul; Hamdani, Muchammad
Jurnal Ilmu Komputer dan Informatika | E-ISSN : 3063-9026 Vol. 2 No. 3 (2026): Januari - Maret
Publisher : GLOBAL SCIENTS PUBLISHER

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Class imbalance is a classic yet critical challenge in credit risk modeling, where the number of creditworthy applicants significantly outweighs those at risk of default. Standard classification models often become biased toward the majority class, resulting in deceptively high accuracy while failing to effectively detect actual default risk. This study proposes a Cost-Sensitive Learning approach combined with a Threshold Moving strategy applied to the Random Forest algorithm to minimize False Approvals (representing the greatest financial risk). Using the CRISP-DM methodology, we compare the performance of a baseline model with an optimized model based on an asymmetric cost matrix (cost ratio of 10:1 between False Positive and False Negative). Experimental results demonstrate that adjusting the decision threshold from 0.5 to 0.6 successfully eliminates all False Approvals without significantly compromising overall accuracy (remaining at 98%). Further financial simulation indicates that the cost-sensitive model can improve estimated profitability by up to 25% compared to the standard model. These findings highlight that cost-based evaluation metrics are more relevant for strategic business decision-making than mere statistical accuracy.