Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Abdimas Galuh : Jurnal Pengabdian Kepada Masyarakat Jurnal Kecerdasan Buatan dan Teknologi Informasi
Marroh, Zahrotul Isti’anah
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Computer Science & IT Economics, Econometrics & Finance Law, Crime, Criminology & Criminal Justice Nursing

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Pelatihan Peningkatan Berpikir Kritis Melalui Metode Cerita Dalam Al Qur’an Bagi Guru Agama di Madrasah Aliyah Samarinda Z, Edy Murdani; Rahman, Nur Fuadi; Fajri, Muhammad; Marroh, Zahrotul Isti’anah; Achmad, Andi
Abdimas Galuh Vol 6, No 2 (2024): September 2024
Publisher : Universitas Galuh

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25157/ag.v6i2.14378

Abstract

Pengabdian kepada masyarakat ini bertujuan untuk meningkatkan kemampuan berpikir kritis guru agama di Madrasah Aliyah Samarinda melalui metode cerita dalam Al-Qur’an. Berpikir kritis adalah keterampilan penting yang memungkinkan siswa menganalisis, mengevaluasi, dan menginterpretasi informasi secara logis dan objektif, yang sangat relevan dalam pendidikan agama Islam. Saat ini, pembelajaran agama di banyak sekolah masih bersifat dogmatis, mengakibatkan siswa hanya memahami ajaran secara tekstual tanpa kemampuan kritis. Untuk mengatasi masalah ini, pelatihan berpikir kritis berbasis cerita Al-Qur’an diberikan kepada guru-guru dari beberapa Madrasah Aliyah di Samarinda. Metode Participatory Action Research (PAR) digunakan dalam program pelatihan ini, yang melibatkan partisipasi aktif guru dari sembilan Madrasah Aliyah. Materi pelatihan mencakup pentingnya berpikir kritis, metode mengajarkannya, dan cara memancing rasa penasaran siswa melalui cerita. Hasil pelatihan menunjukkan peningkatan antusiasme dan partisipasi guru dalam proses pembelajaran. Guru melaporkan bahwa materi yang disampaikan membantu mereka memahami cara menyelipkan pertanyaan kritis dalam pengajaran agama. Evaluasi kuesioner menunjukkan bahwa 83% guru menemukan materi baru, dan 75% merasa bahwa metode cerita dapat meningkatkan kemampuan berpikir kritis siswa. Pelatihan ini memberikan kontribusi nyata dalam meningkatkan kualitas pendidikan agama, membekali guru dengan keterampilan mengajar yang lebih interaktif, dan mendukung pembangunan sumber daya manusia di Samarinda sebagai daerah penopang Ibu Kota Negara (IKN). Kegiatan ini diharapkan dapat membangun generasi yang kritis, berintegritas, dan berdaya saing tinggi.
MACHINE LEARNING-BASED CLASSIFICATION OF SPACE TRAVEL ELIGIBILITY USING SUPPORT VECTOR MACHINE, RANDOM FOREST, AND XGBOOST Zahroni, Teguh Rizali; Imran, Bahtiar; Tahrir, Muhammad; Muh. Akshar; Marroh, Zahrotul Isti’anah
Jurnal Kecerdasan Buatan dan Teknologi Informasi Vol. 4 No. 2 (2025): May 2025
Publisher : Ninety Media Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69916/jkbti.v4i2.310

Abstract

This study applies machine learning classification techniques to predict passenger displacement events based on corrupted data retrieved from a hypothetical interstellar spacecraft mission. Using a cleaned and preprocessed dataset containing demographic, behavioral, and exposure-related features, we compare the performance of three classification models: Random Forest, Support Vector Machine (SVM), and XGBoost. Each model is trained on 80% of the data and evaluated on the remaining 20% using precision, recall, f1-score, and accuracy metrics. The SVM model shows the most notable improvement after feature selection, achieving a balanced performance across metrics. Meanwhile, Random Forest and XGBoost models maintain consistent and robust accuracy above 80% on both training and testing sets. Feature importance analysis also supports the interpretability of the models, particularly in Random Forest and XGBoost. The comparative analysis demonstrates that ensemble-based methods such as Random Forest and XGBoost are more effective in handling the complexity of the dataset, making them suitable for predictive tasks in high-dimensional, partially incomplete data scenarios.
Co-Authors Achmad, Andi Edy Murdani Z Imran, Bahtiar Muh. Akshar Muhammad Fajri Nur Fuadi Rahman Tahrir, Muhammad Zahroni, Teguh Rizali