Articles
<![CDATA[PENINGKATAN KEMAMPUAN PENALARAN DAN KEMANDIRIAN BELAJAR MATEMATIK MELALUI PENDIDIKAN MATEMATIKA REALISTIK INDONESIA (PMRI) UNTUK SISWA SMP ]]>
<![CDATA[Dwi Sulistya Kusumaningrum]]>
<![CDATA[ BUANA ILMU Vol 1 No 1 (2016): Buana Ilmu ]]>
Publisher : <![CDATA[Universitas Buana Perjuangan Karawang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36805/bi.v1i1.94
<![CDATA[Abstrak Kemampuan penalaran matematik merupakan bagian dari tujuan kurikulum bagi siswa sekolah dasar sampai menengah. Lebih lanjut kemandirian belajar matematik sendiri merupakan salah satu aspek afektif yang mendukung tercapainya pproses dan hasil pembelajaran yang baik dan di inginkan. Penelitian ini bertujuan menelaah peningkatan kemampuan penalaran dan kemandirian belajar matematik siswa yang memperoleh pembelajaran matematika dengan pendekatan PMRI dibandingkan dengan siswa yang memperoleh pembelajaran dengan pendekatan konvensional. Desain penelitian ini adalah kuasi eksperimen dengan kelompok pretest dan posttest. Kelompok eksperimen memperoleh pembelajaran dengan pendekatan PMRI dan kelompok kontrol memperoleh pembelajaran dengan pendekatan konvensional. Metode yang akan digunakan dalam penelitian ini adalah metode eksperimen semu (quasi eksperimental). Populasi penelitian ini adalah seluruh siswa SMPN di Kabupaten Karawang dengan sampel penelitian adalah siswa kelas VII sebanyak dua kelas dipilih secara purposif dari lima kelas yang ada. Isntrumen penelitian ini berupa soal tes kemampuan penalaran matematik dan soal non tes berupa skala kemandirian belajar matematik siswa. Adapun analisis data menggunakan uji parametrik (uji t atau uji t’) dan uji non-parametrik Mann Whitney. Hasil pengolahan data menunjukan bahwa (1) Pencapaian kemampuan penalaran matematik siswa SMP yang memperoleh pembelajaran dengan pendekatan PMRI lebih baik daripada siswa yang memperoleh pembelajaran secara konvensional. (2) Peningkatan kemampuan penalaran matematik yang menggunakan pendekatan PMRI tergolong tinggi, sedangkan yang menggunakan pembelajaran konvensional tergolong sedang. (3) Kemandirian belajar matematik siswa SMP yang memperoleh pembelajaran melalui pendekatan PMRI lebih baik daripada siswa yang memperoleh pembelajaran secara konvensional. Maka, pembelajaran dengan pendekatan PMRI dapat menjadi alternatif model pendekatan pembelajaran yang dapat digunakan di Sekolah Menengah Pertama. Kata kunci: Pendekatan Pendidikan Matematika Realistik Indonesia (PMRI), kemampuan penalaran matematik, kemandirian belajar matematik]]>
<![CDATA[Diagnosa Penyakit Gangguan Jiwa Menggunakan Metode Certainty Factor ]]>
<![CDATA[Efendi]]>;
<![CDATA[Ahmad Fauzi]]>;
<![CDATA[Dwi Sulistya Kusumaningrum]]>
<![CDATA[ Scientific Student Journal for Information, Technology and Science Vol. 1 No. 1 (2020): Scientific Student Journal for Information, Technology and Science ]]>
Publisher : <![CDATA[Scientific Student Journal for Information, Technology and Science ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (267.621 KB)
<![CDATA[Kesehatan jiwa adalah salah satu penyakit yang signifikan di dunia, termasuk Indonesia. Namun masyarakat masihkurang memahami dalam mendiagnosa penyakit gangguan jiwa. Terkadang, seseorang tidak menyadari bahwadirinya mengidap suatu gejala gangguan jiwa. Jika masalah kesehatan jiwa terlambat ditangani atau bahkan tidakditangani, akan berdampak negatif seperti melukai diri sendiri, orang lain, bahkan menjadi penyebab untukmelakukan bunuh diri. Tujuan dari komputasi ini adalah untuk mendiagnosa penyakit gangguan jiwa sesuai gejalayang ada pada basis pengetahuan. Penelitian ini menggunakan metode certainty factor yaitu metode yangmangakomodasi ketidakpastian seorang pakar yang seringkali menganalisis informasi yang ada dengan ungkapanketidakpastian. Komputasi diagnosa penyakit gangguan jiwa dapat membantu masyarakat dalam memahami kondisikejiwaannya sendiri tanpa bertemu seorang psikiater terlebih dahulu yang didalamnya terdapat 63 gejala dan 16penyakit. Berdasarkan pengujian oleh pakar, diagnosa penyakit gangguan jiwa menggunakan metode certaintyfactor ini memilikitingkat akurasi diagnosa penyakit gangguan jiwa dengan presentase 100% dari 30 data uji.]]>
<![CDATA[K-Means Clustering untuk Mengelompokan Tingkat Putus Sekolah Jenjang SMP di Indonesia ]]>
<![CDATA[Sekar Wuni]]>;
<![CDATA[Amril Mutoi Siregar]]>;
<![CDATA[Dwi Sulistya Kusumaningrum]]>
<![CDATA[ Scientific Student Journal for Information, Technology and Science Vol. 1 No. 1 (2020): Scientific Student Journal for Information, Technology and Science ]]>
Publisher : <![CDATA[Scientific Student Journal for Information, Technology and Science ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (487.75 KB)
<![CDATA[Mendapatkan pendidikan adalah hak setiap warga Negara Indonesia, dari tingkat Sekolah Dasar (SD), SekolahMenengah Pertama (SMP), hingga Sekolah Menengah Atas (SMA) maupun yang sederajat. Namun, ternyatamasih ada siswa yang tidak dapat menyelesaikan pendidikannya pada tingkat tertentu maupun melanjutkan kejenjang selanjutnya. Siswa yang tidak dapat menyelesaikan pendidikannya diberikan sebutan putus sekolah. Padasitus Kementrian Pendidikan dan Kebudayaan (Kemendikbud) terdapat banyak data yang disajikan, salah satunyaadalah data angka putus sekolah dari berbagai jenjang pendidikan dan tahun ajar. Data-data tersebut belum jelasdikarenakan belum dapat dikategorikan maupun dikelompokan berdasarkan besar kecilnya angka putus sekolah.Berdasarkan permasalahan tersebut, maka penelitian ini mengolah data angka putus sekolah jenjang SMP diIndonesia dengan menggunakan terknik pada data mining yaitu clustering (pengelompokan) dengan menggunakanalgoritma K-Means. Pengelompokan pada data tersebut dibagi menjadi tiga kelompok yaitu kelompok tingkatputus sekolah jenjang SMP rendah, sedang, dan tinggi. Penelitian ini dilakukan menggunakan dua cara yaitu:perhitungan manual dengan menggunakan Microsoft Excel 2013 dan pengujian menggunakan tools Rapid Minerversi 5.3.000. Hasil dari penelitian ini yaitu provinsi yang masuk pada kelompok tingkat putus sekolah jenjangSMP rendah sebanyak 21 provinsi, kelompok sedang sebanyak 12 provinsi dan yang masuk pada kelompok tinggisebanyak 1 provinsi.]]>
<![CDATA[Penerapan Algoritme K-Means untuk Pengelompokan Buku Berdasarkan Tingkat Minat Pembaca ]]>
<![CDATA[Andri Juliyanto]]>;
<![CDATA[Amril Mutoi Siregar]]>;
<![CDATA[Dwi Sulistya Kusumaningrum]]>
<![CDATA[ Scientific Student Journal for Information, Technology and Science Vol. 1 No. 2 (2020): Scientific Student Journal for Information, Technology and Science ]]>
Publisher : <![CDATA[Scientific Student Journal for Information, Technology and Science ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (507.628 KB)
<![CDATA[Perpustakaan menyediakan layanan baca dan peminjaman buku untuk menunjang sarana proses belajar mengajar.Dinas Perpustakaan Kabupaten Karawang mencatat setiap transaksi peminjaman buku yang dipinjam oleh anggotaperpustakaan. Selama ini anggota perpustakaan kesulitan menemukan rak-rak buku yang sesuai dengan tingkatminat pembaca. Maka dalam mengatasi permasalahan penelitian ini dilakukan dengan menerapkan algoritme KMeans. Penerapan algoritme K-Means dalam penelitian ini dilakukan untuk menentukan pengelompokan buku,sehingga hasil yang didapat mampu membantu petugas perpustakaan menyusun rak-rak buku. Berdasarkan hasilperhitungan dalam penelitian ini yang menggunakan data latih jenis buku sebanyak 38 jenis buku dan 13 atributdata menghasilkan tiga klaster. Klaster 1 adalah klaster paling diminati yang menghasilkan 31 buku, klaster 2 yaituklaster cukup diminati menghasilkan tiga buku dan klaster 3 merupakan klaster kurang diminati menghasilkanempat buku.]]>
<![CDATA[PENERAPAN ALGORITMA K – NEAREST NEIGHBOR (KNN) UNTUK KLASIFIKASI PENCEMARAN UDARA DI KOTA JAKARTA ]]>
<![CDATA[Siti Nurjanah]]>;
<![CDATA[Amril Mutoi Siregar]]>;
<![CDATA[Dwi Sulistya Kusumaningrum]]>
<![CDATA[ Scientific Student Journal for Information, Technology and Science Vol. 1 No. 2 (2020): Scientific Student Journal for Information, Technology and Science ]]>
Publisher : <![CDATA[Scientific Student Journal for Information, Technology and Science ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (548.947 KB)
<![CDATA[Pencemaran Udara adalah masuknya atau dimasuknanya zat,energy atau komponen lain ke dalam udara ambienoleh kegiatan manusia. Sehingga mutu udara ambien turun sampai ketingkat tertentu yang menyebabkan udaraambien tidak dapat memenuhi fungsinya. Kondisi udara yang buruk juga dapat mengganggu aktifitas manusia.Dampak pencemaran udara dapat menyebabkan gangguan pernapasan dan bahkan kematian. Sumber pencemaranudara dapat disebabkan dari semakin banyaknya kendaraan bermotor dan pembangunan gedung yang tidakmemperhatikan keseimbangan alam. Di Kota Jakarta Indeks Standar Pencemaran Udara (ISPU) yang dilakukanoleh Dinas Lingkungan Hidup melalui stasiun pemantau setiap hari selalu mengalami perubahan kategoripencemaran udara. Data yang ada belum mampu memberikan informasi yang memadai kepada masyarakat Jakarta.Sehingga kesadaran masyarakatterhadap bahaya polusiudara belum maksimal.Salah satu cara untukmengolah dataISPU harian dikota Jakarta adalah dengan teknik klasifikasi data mining menggunakan algoritma K-NearestNeighbor (KNN). Sehingga diharapkan dapat membantu memberikan informasi yang bermanfaat bagi masyarakatdan bagi Dinas Lingkungan Hidup. Berdasarkan hasil perhitungan klasifikasi kategori pencemaran udara denganalgoritma K-Nearest Neighbor (KNN) di Kota Jakarta dengan data training sebanyak 304 dan satu data uji(testing)diperoleh nilai akurasi sebanyak 95.78% dengan menentukan K=7.]]>
<![CDATA[Pengelompokan Jumlah Sumber Daya Manusia Kesehatan Puskesmas untuk Menunjang Pemerataan pada Provinsi Jawa Tengah Menggunakan Algoritma K-Means ]]>
<![CDATA[Sinta Candra Dewi]]>;
<![CDATA[Amril Mutoi Siregar]]>;
<![CDATA[Dwi Sulistya Kusumaningrum]]>
<![CDATA[ Scientific Student Journal for Information, Technology and Science Vol. 1 No. 2 (2020): Scientific Student Journal for Information, Technology and Science ]]>
Publisher : <![CDATA[Scientific Student Journal for Information, Technology and Science ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (740.237 KB)
<![CDATA[Puskesmas merupakan salah satu dari fasilitas pelayanan kesehatan masyarakat secara terpadu, menyeluruh danberkesinambungan dalam suatu wilayah yang berada dalam pengawasan langsung dari Dinas Kabupaten. Saranadan prasarana serta Sumber Daya Manusia Kesehatan (SDMK) yang memadai sangat dibutuhkan agar fasilitaspelayanan kesehatan dapat berfungsi dengan baik. Agar mencapai tingkat kesehatan yang setinggi-tingginyapemerintah bertanggungjawab atas ketersediaan Sumber Daya Manusia Kesehatan (SDMK) yang adil dan meratabagi seluruh masyarakat. Data kementrian kesehatan menunjukan terdapat 938 puskesmas atau 9.8% dari 9,599puskesmas masih kekurangan tenaga kesehatan hal itu disebabkan oleh distribusi tenaga kesehatan yang belummerata, terdapat beberapa daerah yang kelebihan tenaga kesehatan sedangkan beberapa daerah lainnya kekurangantenaga kesehatan. Penelitian ini membahas tentang pengelompokan jumlah SDMK Puskesmas untuk menunjangpemerataan jumlah SDMK Puskesmas di Provinsi Jawa Tengah dengan menggunakan Algoritma K-Means.Pengelompokan dalam Algoritma K-Means dibagi menjadi tiga cluster yaitu cluster satu, cluster dua dan clustertiga dengan nilai Tinggi (Kelebihan SDMK), Sedang (Kecukupan SDMK) dan Rendah (Kekurangan SDMK).Hasil dari pengelompokan data dengan menggunakan Algoritma K-Means yaitu cluster satu dengan nilai Tinggi(Kelebihan SDMK) terdapat empat Kabupaten/Kota, cluster dua dengan nilai sedang (Kecukupan SDMK) terdapat25 Kabupaten/Kota dan cluster tiga dengan nilai rendah (Kekurangan SDMK) terdapat enam Kabupaten/Kota.]]>
<![CDATA[Monitoring Kadar Karbon Monoksida Dalam Mobil Dengan Sensor MQ-9 Bebrbasis Arduino ]]>
<![CDATA[Erik Candra Fauzi]]>;
<![CDATA[Deden Wahiddin]]>;
<![CDATA[Dwi Sulistya Kusumaningrum]]>
<![CDATA[ Scientific Student Journal for Information, Technology and Science Vol. 2 No. 1 (2021): Scientific Student Journal for Information, Technology and Science ]]>
Publisher : <![CDATA[Scientific Student Journal for Information, Technology and Science ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (332.088 KB)
<![CDATA[Gas karbon monoksida berasal dari pembakaran yang tidak sempurna. Karakteristik gas karbon monoksida sendiri yaitu tidak berbau, tidak berwarna, dan tidak berasa. Sehingga sulit sekali dirasakan oleh indra manusia. Kemudian dengan waktu yang singkat, ketika manusia menghirup gas karbon monoksida dengan keadaan gas tinggi akan mengalami kematian tanpa rasa sakit. Saat ini kurangnya rasa peduli pengendara terhadap kadar gas karbon monoksida (CO) yang dihirup di dalam mobil, menjadi permasalahan untuk seseorang yang sedang berada dalam mobil yang dikendarainya. Salah satu solusi yang dapat digunakan untuk menangani permasalahan tersebut yaitu dengan merangkai alat untuk mendeteksi kadar kandungan gas CO di dalam mobil menggunakan Arduino uno dan sensor MQ-9. Hasil dari nilai rangkaian dibandingkan dengan nilai smart sensor monoxide meter AS8700A memiliki nilai rata-rata selisih 1,573 ppm (part per million) dan error 0,0795 %.]]>
<![CDATA[Pengelompokan Kabupaten dan Kota di Indonesia Berdasarkan Hasil Produksi Daging Sapi Menggunakan Algoritma K-Means dan K-Medoids ]]>
<![CDATA[Lutfiah Adeliana]]>;
<![CDATA[Amril Mutoi Siregar]]>;
<![CDATA[Dwi Sulistya Kusumaningrum]]>
<![CDATA[ Scientific Student Journal for Information, Technology and Science Vol. 2 No. 1 (2021): Scientific Student Journal for Information, Technology and Science ]]>
Publisher : <![CDATA[Scientific Student Journal for Information, Technology and Science ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (252.259 KB)
<![CDATA[Kebutuhan daging sapi yang tinggi di suatu daerah terkadang tidak dibarengi dengan pasokan daging yang sesuai sehingga konsumsi daging sapi masyarakat Indonesia masih belum merata [1]. Padahal, kebutuhan akan daging sapi begitu penting dalam memenuhi gizi harian tubuh manusia. Penyebab konsumsi daging sapi masyarakat Indonesia yang belum merata salah satunya yaitu tingkat produksi daging sapi yang rendah di daerah tertentu namun tinggi akan kebutuhan daging tersebut [2]. Adanya distribusi yang merata sangat dibutuhkan agar seluruh masyarakat dapat terpenuhi kebutuhan gizinya. Penerapan data mining dalam hal ini diharapkan dapat memberikan solusi yaitu berupa informasi daerah mana saja yang tingkat produksi daging sapi rendah, sedang, dan tinggi sehingga dapat memetakan dengan tepat dan dapat membantu dalam pemenuhan gizi masyarakat Indonesia. Algoritma yang digunakan untuk mengelompokan dalam penelitian ini yaitu K-Means dan K-Medoids.]]>
<![CDATA[Perbandingan Tingkat Kepuasan Siswa Terhadap Pelayanan Sekolah Menggunakan Algoritma K-Means Dan K-Medoids ]]>
<![CDATA[Maulana Abdur Rofik]]>;
<![CDATA[Amril Mutoi Siregar]]>;
<![CDATA[Dwi Sulistya Kusumaningrum]]>
<![CDATA[ Scientific Student Journal for Information, Technology and Science Vol. 2 No. 1 (2021): Scientific Student Journal for Information, Technology and Science ]]>
Publisher : <![CDATA[Scientific Student Journal for Information, Technology and Science ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (438.43 KB)
<![CDATA[Kepuasan siswa menjadi tolak ukur utama pada tiap sekolah swasta. Selain menjadi aspek berarti untuk perkembangan suatu sekolah, membagikan rasa kebahagiaan serta keinginan penataran anak didik yang terkabul bisa tingkatkan nama baik dalam kompetisi. Anak didik yang menyangka puas jasa sekolah tentu hendak mengantarkan data pada pihak lain bagus sahabat, kerabat, ataupun warga disekitarnya. Dengan memandang hasil evaluasi anak didik yang beralasan pada angket yang sudah diisi bisa dicoba cara klasterisasi data mining menggunakan metode k-meansserta k-medoids. Hasil pengelompokan memakai algoritma k-means menghasilkan klaster puas sebanyak 276 siswa, klaster cukup puas sebanyak 216 siswa dan klaster kurang puas sebanyak 17 siswa. Lalu pada algoritma k-medoids klaster puas sebanyak 324 siswa, klaster cukup puas sebanyak 11 siswa dan klaster kurang puas sebanyak 174 siswa. Perbedaan jumlah cluster pada kinerja tiap algoritma memiliki pola perhitungan yang berbeda pada masing-masing iterasi tergantung pada dataset yang digunakan serta titik centroid yang dijadikan perhitungan pada algoritma. Hasil pengelompokan dari kepuasan anak didik ini bisa dikenal ialah berapa banyak anak didik yang merasa puas, lumayan puas dan tidak puas dengan mutu jasa yang sudah diserahkan sekolah, alhasil pada waktu yang hendak tiba mutu jasa sekolah bisa ditingkatkan jadi lebih bagus lagi.]]>
<![CDATA[Penerapan Algoritma C4.5 dan K-Nearest Neighbor untuk Klasifikasi Peminatan Program Studi di Perguruan Tinggi Berdasarkan Nilai Rapor ]]>
<![CDATA[Mulya Cahya Ramadanty]]>;
<![CDATA[Amril Mutoi Siregar]]>;
<![CDATA[Dwi Sulistya Kusumaningrum]]>
<![CDATA[ Scientific Student Journal for Information, Technology and Science Vol. 2 No. 1 (2021): Scientific Student Journal for Information, Technology and Science ]]>
Publisher : <![CDATA[Scientific Student Journal for Information, Technology and Science ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (314.091 KB)
<![CDATA[Setelah lulus Sekolah Menengah Kejuruan (SMK) siswa yang melanjutkan pendidikan ke Perguruan Tinggi sering merasa kebingungan dengan program studi yang akan mereka ambil. Berdasarkan hasil penelitian pada tahun 2017 yang dikutip oleh Murti, sebanyak 92% siswa SMA sederajat merasa bingung dan tidak tahu akan menjadi apa ke depannya. Pada penelitian lainnya ditemukan 87% mahasiswa Indonesia mengakui bahwa jurusan yang mereka ambil tidak sesuai dengan minatnya. Tujuan dari penelitian ini adalah Mengimplementasikan algoritma C4.5 dan K-Nearest Neighbor (K-NN) dalam klasifikasi peminatan program studi. Algoritma yang digunakan pada penelitian ini yaitu C4.5 dan K-NN. Data yang digunakan adalah nilai rapor Matematika dan mata pelajaran produktif siswa kelas XII jurusan Teknik Komputer Jaringan (TKJ), Teknik Elektronika Industri (TEI), dan Rekayasa Perangkat Lunak (RPL) Sekolah Menengah Kejuruan Negeri (SMKN) 1 Karawang. Hasil yang didapat dari pengujian menggunakan tool RapidMiner sebesar 98,04% untuk algoritma K-NN dan 100% untuk algoritma C4.5. Pada tahap implementasi algoritma K-NN ke program diperoleh hasil sebesar 98%.]]>
