Claim Missing Document
Check
Articles

Found 5 Documents
Search

Meningkatkan Pemahaman Belajar Siswa Menggunakan Media Video Animasi 2D Hakop Walangadi; Wahyu Putra Pratama
Aksara: Jurnal Ilmu Pendidikan Nonformal Vol 4, No 3 (2018): September 2018
Publisher : Magister Pendidikan Nonformal Pascasarjana Universitas Negeri Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37905/aksara.4.3.201-208.2018

Abstract

Rumusan masalah pada penelitian ini adalah apakah dengan menggunakan media video animasi 2D pada pembelajaran IPS di kelas V SDN 2 Kabila Kec.Kabila Kab. Bone Bolango Pemahaman belajar siswa akan Meningkat”?. Adapun tujuan dari penelitian yaitu untuk meningkatkan Pemahaman belajar siswa Pada pembelelajaran IPS di kelas V SDN 2 Kabila Kec.Kabila Kab. Bone Bolango menggunakan media video animasi 2D. Jenis penelitian yang digunakan adalah penelitian tindakan kelas (PTK) dengan subjek penelitian yaitu siswa kelas V yang berjumlah 21 orang. Penelitian ini dilaksanakan secara bersiklus dan masing-masing siklus terdiri dari 4 tahapan yaitu tahap perencanaan, pelaksanaan tindakan, pemantauan evaluasi, refleksi dan analisis. Berdasarkan hasil penelitian pada siklus I menunjukan bahwa siswa yang memperoleh nilai di atas KKM berjumlah 10 orang dengan persentase 48%. Hal tersebut belum mencapai indikator kinerja yang diharapkan, sehingga dilakukan tindakan lanjutan ke siklus II. Pada siklus II menunjukkan adanya peningkatan, siswa yang memperoleh nilai di atas KKM berjumlah 17 orang dengan presentase 81%. Hasil pada siklus II ini sudah mencapai indikator kinerja yang ditetapkan, sehingga dapat disimpulkan bahwa dengan menggunakan media video animasi 2D dapat meningkatkan pemahaman belajar siswa pada pembelajaran IPS di kelas V SDN 2 Kabila Kec.Kabila Kab.Bone Bolango
PERANCANGAN ROBOT PENGUMPUL SAMPAH BERBASIS MIKROKONTROLLER ATMEGA Wahyu Putra Pratama
Kohesi: Jurnal Sains dan Teknologi Vol. 5 No. 9 (2024): Kohesi: Jurnal Sains dan Teknologi
Publisher : CV SWA Anugerah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.3785/kohesi.v5i9.8670

Abstract

Pencemaran perairan oleh sampah, terutama sampah plastik, merupakan masalah lingkungan yang mendesak di seluruh dunia. Untuk mengatasi masalah ini, perancangan robot pengumpul sampah di air menjadi solusi inovatif yang efektif dan efisien. Robot ini dirancang untuk mengoperasikan secara otonom atau semi-otonom di permukaan air, seperti danau, sungai, dan laut, dengan tujuan mengumpulkan sampah yang terapung. Menggunakan sensor canggih, sistem navigasi, dan teknologi kecerdasan buatan, robot ini mampu mendeteksi dan mengidentifikasi sampah, menghindari hambatan, serta mengoptimalkan jalur pengumpulan sampah. Selain itu, robot ini dilengkapi dengan sistem penyimpanan untuk menampung sampah yang dikumpulkan sebelum dibawa ke titik pembuangan. Penelitian dan pengembangan lebih lanjut berfokus pada peningkatan efisiensi energi, kapasitas pengumpulan, serta kemampuan adaptasi robot terhadap berbagai kondisi lingkungan. Penggunaan robot pengumpul sampah di air diharapkan dapat mengurangi dampak negatif pencemaran air, melindungi ekosistem perairan, dan mendukung keberlanjutan lingkungan.
Implementasi Algoritma K-Means Clustering terhadap Tingkat Kepuasan Peserta LKP Multi Talenta Komputer Purwokerto Faozan Dwiki Ramadana; Wahyu Putra Pratama; Cannes Lingga Yogario; Abdul Khohar; Ito Setiawan
Mars : Jurnal Teknik Mesin, Industri, Elektro Dan Ilmu Komputer Vol. 3 No. 1 (2025): Jurnal Teknik Mesin, Industri, Elektro Dan Ilmu Komputer
Publisher : Asosiasi Riset Teknik Elektro dan Informatika Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61132/mars.v3i1.675

Abstract

This study aims to measure the level of participant satisfaction with learning services at LKP Multi Talenta Komputer Purwokerto. Participant satisfaction is an important indicator in assessing the effectiveness of the learning curriculum implemented. Factors such as facilities, services, and obstacles in learning become the main benchmark. Data from 54 respondents were processed using K-Means Clustering algorithm to identify the most superior and weak factors. The results of this study provide recommendations for future service improvements, in order to increase participant loyalty and learning effectiveness.
Pengaruh Latihan Sirkuit Training Terhadap Forehand  Smash  Bulutangkis Atlet PB Realita Pekanbaru Wahyu Putra Pratama; Ahmad Rahmadani
Catha : Jurnal Penelitian Kreatif dan Inovatif Vol. 1 No. 3 (2024): Juli
Publisher : Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/catha.v1i3.29

Abstract

Penelitian ini bertujuan untuk mengatahui apakah ada pengaruh latihan sirkuit training terhadap keterampilan forehand smash bulutangkis atlet Pb Realita Pekanbaru. Metode penelitian yang digunakan adalah quesi experiment atau ekperimen semu, dengan menggunakan desain one group pretes posttest dan menggunakan teknik penarikan sampel yaitu purposive sampling sehingga didapat sampel sejumlah 12 orang atlit Pb realita pekanbaru. Hipotesis yang didapat ialah bahwa latihan sirkuit training berpengaruh meningkatakan pukulan forehand smash atlet Pb Realita Pekanbaru.
Feature Importance-Guided Ensemble Classification for Predicting Recurrence in Differentiated Thyroid Cancer Muhammad Ghinan Navsih; Wahyu Putra Pratama; Hikmata Tartila; Dwi Arman Prasetya; Tresna Maulana Fahrudin
Jurnal Aplikasi Sains Data Vol. 1 No. 2 (2025): Journal of Data Science Applications.
Publisher : Program Studi Sains Data UPN "Veteran" Jawa Timur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33005/jasid.v1i2.22

Abstract

Accurate prediction of cancer recurrence is critical for improving patient monitoring and personalized treatment planning. In this study, we propose a machine learning framework to predict recurrence in patients with differentiated thyroid cancer using statistically selected clinical features. Feature relevance was assessed using ANOVA for ordinal/numerical variables and the Chi-square test for one-hot encoded categorical variables, allowing us to identify the most informative predictors. We then trained three distinct classifiers—Random Forest, Logistic Regression, and XGBoost—and combined them using a hard voting ensemble strategy. The proposed ensemble achieved an accuracy of 98.7% on the test set, with particularly strong precision and recall scores for the recurrent class, indicating its potential clinical utility. Interestingly, all three base classifiers produced identical predictions on the test data, suggesting the dataset’s strong internal structure and the effectiveness of our feature selection process. This work highlights the value of integrating statistical feature selection with ensemble modeling for robust and interpretable prediction in clinical oncology applications.