Claim Missing Document
Check
Articles

PENGEMBANGAN EKOPRENEURSHIP DI SEKOLAH DASAR salam, Indra Agus; Akbar, M. Faisal; Andriani, Tuti; Zein, Rasyad
Sharing: Journal of Islamic Economics Management and Business Vol. 2 No. 2 (2023): Desember 2023
Publisher : Program Studi Ekonomi Syariah Fakultas Agama Islam Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/sharing.v2i2.16198

Abstract

Ecopreneurship merupakan ide yang belum digali oleh peneliti secara eksplisit dan menjadi inovasi pembelajaran di tahun 21st Namun, secara implisit konsep ini diyakini telah diterapkan di beberapa sekolah dasar namun belum ada penelitian lebih lanjut, oleh karena itu penelitian ini bertujuan untuk membuktikan dan memberikan gambaran perkembangan ecopreneurship di sekolah dasar. Penelitian ini menggunakan pendekatan kualitatif melalui metode deskriptif dengan subjek penelitian sebanyak 22 guru di sekolah dasar. Berdasarkan penelitian yang telah dilakukan dapat diketahui bahwa pengembangan ecopreneurship di sekolah dasar diintegrasikan dalam muatan kurikulum di sekolah yang berimplikasi pada terciptanya pembelajaran intrakurikuler, pembelajaran ekstrakurikuler dan ruang pamer berdasarkan konsep ecopreneurship. Secara kuantitatif terlihat bahwa 81,2% guru telah mencoba menerapkan prinsip-prinsip ekologi dalam pembelajaran di kelas dan 54.5% guru telah mencoba mengaitkannya dengan prinsip kewirausahaan. Hasil penelitian ini menjadi dasar peneliti dalam melakukan penelitian selanjutnya, selain itu hasil penelitian ini diharapkan dapat menjadi acuan bagi guru sekolah dasar dalam mengembangkan pembelajaran saat ini di 21st abad ini dan menjadi upaya preventif khususnya bagi Indonesia dalam mempersiapkan diri menuju Indonesia Emas 2045.
Comparison of Standard and Squeeze-and-Excitation Enhanced DenseNet Architectures for Tomato Leaf Disease Classification Using Data Augmentation Andriani, Tuti; Nainggolan, Irfan
Bahasa Indonesia Vol 17 No 08 (2025): Instal : Jurnal Komputer
Publisher : Cattleya Darmaya Fortuna

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54209/jurnalinstall.v17i08.429

Abstract

The advancement of deep learning has significantly improved the automation of plant disease detection through image classification. This study compares the performance of standard DenseNet121 and an enhanced version incorporating Squeeze-and-Excitation (SE) blocks for classifying tomato leaf diseases. A dataset derived from PlantVillage was used, covering multiple disease categories and healthy leaves. To improve generalization, extensive data augmentation techniques were applied. Both architectures were implemented and trained using PyTorch, with evaluation metrics including accuracy, precision, recall, F1-score, and inference time. The experimental results demonstrate that DenseNet121-SE significantly outperforms the standard DenseNet121, achieving a classification accuracy of 99.00%. The integration of SE blocks allows the model to recalibrate channel-wise features adaptively, enhancing sensitivity to important patterns while maintaining computational efficiency. This study highlights the effectiveness of attention mechanisms and data augmentation in improving classification performance and supports their practical application in intelligent agriculture systems.