Claim Missing Document
Check
Articles

Found 2 Documents
Search

PENINGKATAN HASIL BELAJAR SISWA PADA MATA PELAJARAN IPA MENGGUNAKAN MODEL PEMBELAJARAN TAI (TEAM ASSITED INDIVIDUALIZATION) DI SD NEGERI DONO HARJO SAMIDIN, SAMIDIN
Jurnal Ilmiah IPA dan Matematika (JIIM) Vol. 1 No. 2 (2023): Mei
Publisher : Perkumpulan Cendekia Muda Kreatif Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61116/jiim.v1i2.62

Abstract

Tujuan dari penelitian ini adalah: a). Untuk mendeskripsikan proses pembelajaran melalui Model pembelajaran TAI (Team Assited Individualization) siswa kelas VI SD Negeri Dono Harjo.b). Untuk mengetahui sejauh mana Model pembelajaran TAI (Team Assited Individualization) dapat meningkatkan pemahaman siswa kelas VI. SD Negeri Dono Harjo. c). Untuk mengetahui sejauh mana Model pembelajaran TAI (Team Assited Individualization) dapat meningkatkan kreativitas siswa kelas VI SD Negeri Dono Harjo. d). Untuk mengetahui respon siswa terhadap Model pembelajaran TAI (Team Assited Individualization) siswa kelas VI SD Negeri Dono Harjo. Penelitian ini menggunakan penelitian tindakan kelas (classroom action research) sebanyak 3 siklus. Sasaran penelitian ini adalah siswa kelas VI SD Negeri Dono Harjo. Data yang diperoleh berupa hasil tes akhir siklus, lembar kegiatan belajar mengajar. Dari hasil analisis didapatkan bahwa Hasil Belajar Siswa mengalami peningkatan dari siklus I sampai siklus III. Pada siklus I ketuntasan sebesar 54,17% atau 13 siswa yang tuntas dengan nilai tertinggi 81 dan nilai terendah 50 dan pada siklus II ketuntasan diperoleh 79,17% atau 19 siswa yang tuntas dengan nilai tertinggi 89 dan nilai terendah 65. Pada siklus III meningkat menjadi 95,83% atau 23 siswa yang tuntas dengan nilai tertinggi 92 dan nilai terendah 70. Kesimpulan dari penelitian ini adalah Model pembelajaran TAI (Team Assited Individualization) dapat meningkatkan hasil belajar siswa kelas VI SD Negeri Dono Harjo.
Klasifikasi Gambar Batu-Kertas-Gunting Menggunakan Convolutional Neural Network dengan Fungsi Callback untuk Mencegah Overfitting Samidin, Samidin; Fadjeri, Akhmad
Jurnal Penelitian Inovatif Vol 4 No 2 (2024): JUPIN Mei 2024
Publisher : CV Firmos

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54082/jupin.413

Abstract

Dalam era modern, kecerdasan buatan (AI) dan machine learning, khususnya teknik machine learning, telah menjadi integral dalam perkembangan teknologi. Implementasi Convolutional Neural Network (CNN) dalam klasifikasi gambar sering mengalami masalah overfitting, di mana model terlalu beradaptasi dengan data latih dan kurang mampu menggeneralisasi data uji. Untuk mencegah overfitting, penelitian ini menggunakan callback, seperti Early Stopping, Model Checkpointing, dan CSV Logging. Dataset gambar batu-kertas-gunting diperoleh dari Github Dicoding dan diproses dengan pembagian subset, augmentasi data, dan generator data. Model CNN dirancang dengan lapisan konvolusi, lapisan pooling, dan lapisan Dense. Optimizer, fungsi loss, dan metrik evaluasi dipilih sesuai tugas klasifikasi gambar. Melalui pelatihan model, akurasi meningkat dari 48.75% menjadi 98.75%, sementara loss menurun dari 0.9794 menjadi 0.0448. Evaluasi pada data validasi juga menunjukkan peningkatan konsisten. Pelatihan dihentikan pada epoch ke-18 setelah mencapai akurasi di atas 98%, untuk mencegah overfitting dan mengoptimalkan waktu pelatihan. Kesimpulan menunjukkan bahwa penggunaan callback efektif dalam mencegah overfitting dan meningkatkan akurasi model CNN dalam klasifikasi gambar batu-kertas-gunting. Ini menjadi strategi penting dalam meningkatkan kualitas hasil akhir model.