Claim Missing Document
Check
Articles

Found 2 Documents
Search

IMPLEMENTASI TEKNOLOGI SMART CAMERA BERBASIS INTERNET OF THING (IoT) PENDUKUNG PENGELOLA SEKOLAH DALAM MECEGAH PERUNDUNGAN (BULLYING) PESERTA DIDIK Haryono Setiadi; Dewi Wisnu Wardani; Ardhi Wijayanto; Hasan Dwi Cahyono
Prosiding Konferensi Nasional Pengabdian Kepada Masyarakat dan Corporate Social Responsibility (PKM-CSR) Vol 5 (2022): PERAN PERGURUAN TINGGI DAN DUNIA USAHA DALAM AKSELERASI PEMULIHAN DAMPAK PANDEMI
Publisher : Asosiasi Sinergi Pengabdi dan Pemberdaya Indonesia (ASPPI)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37695/pkmcsr.v5i0.1746

Abstract

Pengabdian Masyarakat pada kegiatan ini dilatarbelakangi oleh maraknya perundungan siswa di sekolah. Hal ini perlu dilakukan pencegahan. Pengawasan guru dan entitas sekolah menjadi kritis untuk aktivitas pencegahan tersebut. Akan tetapi, guru dan entitas sekolah memiliki keterbatasan jangkauan untuk mengawasi seluruh area lingkungan sekolah. Dengan demikian, dukungan teknologi Smart Camera berbasis Internet of Thing (IoT) berpotensi mendukung aktivitas pengawasan lingkungan sekolah untuk mencegah terjadinya perundungan di sekolah. Pada kegiatan ini, teknologi tersebut diterapkan di Sekolah Menengah Pertama (SMP) Negeri 2 Surakarta. Penerapannya dilakukan dengan instalasi smart camera di ruang kelas dan beberapa area tersembunyi seperti lorong, tempat parkir, belakang kantin, dan lain-lain yang mana lokasi-lokasi tersebut berpotensi menjadi tempat perundungan siswa. Penerapan teknologi dibarengi dengan sosialisasi, pelatihan dan pendampingan kepada para guru dan entitasnya mengenai penggunaan dan perwatan teknologi tersebut. Teknologi ini telah berhasil diaplikasikan di SMP Negeri 2 Surakarta dan berpotensi untuk diterapkan di sekolah lainnya.
Comparing Correlation-Based Feature Selection and Symmetrical Uncertainty for Student Dropout Prediction Haryono Setiadi; Larasati, Indah Paksi; Esti Suryani; Wardani, Dewi Wisnu; Wardani, Hasan Dwi Cahyono; Ardhi Wijayanto
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 8 No 4 (2024): August 2024
Publisher : Ikatan Ahli Informatika Indonesia (IAII)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29207/resti.v8i4.5911

Abstract

Predicting student dropout is essential for universities dealing with high attrition rates. This study compares two feature selection (FS) methods—correlation-based feature selection (CFS) and symmetrical uncertainty (SU)—in educational data mining for dropout prediction. We evaluate these methods using three classification algorithms: decision tree (DT), support vector machine (SVM), and naive Bayes (NB). Results show that SU outperforms CFS overall, with SVM achieving the highest accuracy (98.16%) when combined with SU Moreover, this study identifies total credits in the fourth semester, cumulative GPA, gender, and student domicile as key predictors of student dropout. This study shows how using feature selection methods can improve the accuracy of predicting student dropout, helping educational institutions retain students better.