Claim Missing Document
Check
Articles

Found 4 Documents
Search

MODEL PEMBELAJARAN KONTEKSTUAL UNTUK MENINGKATKAN HASIL BELAJAR MATEMATIKA SISWA DI KELAS VII- 3 DI SMP NEGERI 5 PADANGSIDIMPUAN Rosa, Imelda
Jurnal Physics Education (PhysEdu) Vol 5 No 1 (2023): Vol. 5 No. 1. Edisi Maret 2023
Publisher : Program Studi Pendidikan Fisika, Institut Pendidikan Tapanuli Selatan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37081/physedu.v5i1.4938

Abstract

Penelitian ini merupakan penelitian tindakan kelas yang bertujuan untuk mendeskripsikan penerapan model pembelajaran kontekstual dalam meningkatkan hasil belajar matematika siswa di kelas VII- 3 di SMP negeri 5 Padangsidimpuan. Penelitian ini dilaksanakan di kelas VII-3 Semester 1 (ganjil) di SMP Negeri 5 Padangsidimpuan pada tahun pelajaran 2021/2022. Subjek penelitian ini adalah siswa kelas VII- 3 dengan jumlah 30 orang, yang terdiri atas 18 siswa laki-laki dan 12 siswa perempuan. Objek penelitian ini adalah hasil belajar siswa pada materi Aritmatika Sosial, dengan implementasi model pembelajaran Kontekstual yang berlangsung selama 12 kali pertemuan. Analis data penelitian menggunakan teknik analisis data deskriptif. Berdasarkan analisis data penelitian diperoleh kesimpulan bahwa: 1) Implementasi model pembelajaran kontekstual mampu meningkatkan kemampuan hasil belajar siswa untuk mata pelajaran Matematika di kelas VII - 3 di SMP Negeri 5 Padangsidimpuan; 2) Di awal penelitian sebagian besar siswa masih mengalami kesulitan sehubungan dengan mentransfer pengetahuan yang diperolehnya untuk menyelesaikan soal setelah proses belajar mengajar berlangsung, serta bagaimana menyelesaikan soal dengan cermat dan sistematis; 3) Penelitian ini menunjukkan fakta bahwa kurangnya pembiasaan sehubungan dengan menyelesaikan dan mengerjakan soal, membuat siswa gugup dalam menyelesaikan tugasnya; 4) Motivasi maksimal yang diberikan peneliti tampak berpengaruh sangat baik dalam hal menambah semangat dan keyakinan partisan-partisipan tersebut untuk menunjukkan kemampuan terbaik dalam menyelesaikan tugas-tugasnya; 5) Pembiasaan berupa latihan menyelesaikan tugas secara berdiskusi ternyata cukup berpengaruh pada rasa percaya diri siswa untuk menyelesaikan tugasnya; 6) Implementasi model pembelajaran kontekstual memerlukan kerja keras guru untuk membimbing dan mengarahkan siswa untuk mencapai hasil yang maksimal.
Identifikasi Cerdas Apel Fuji dan Apel Hijau: Pendekatan K-Means Clustering untuk Segmentasi Buah Yolanda, Yolanda; Rosa, Imelda; Ramadhanu, Agung
Journal of Education Research Vol. 5 No. 3 (2024)
Publisher : Perkumpulan Pengelola Jurnal PAUD Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37985/jer.v5i3.1703

Abstract

Dalam industri pertanian modern, mengidentifikasi jenis buah sangat penting untuk menjamin kualitas dan distribusi produk. Penelitian ini mengeksplorasi penerapan K-Means Clustering untuk segmentasi dan identifikasi Apel Fuji dan Apel Hijau menggunakan fitur dari citra buah. Proses dimulai dengan pengolahan citra, konversi dari RGB ke LBA, kemudian data hasil konversi dianalisis menggunakan K-Means Clustering. Selanjutnya dilakukan ekstraksi bentuk dan tekstur. Dari 20 gambar (10 apel Fuji dan 10 apel hijau), hasil menunjukkan bahwa 1 apel tidak teridentifikasi dengan benar, dengan akurasi mencapai 95%. Hal ini membuktikan bahwa metode K-Means Clustering cukup akurat dalam mengidentifikasi jenis apel.
PENERAPAN ALGORITMA K-NEAREST NEIGHBOR(KNN) DAN PCA UNTUK KLASIFIKASI APEL HIJAU, APEL FUJI DAN JERUK Rosa, Imelda; Ramadhanu, Agung
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 2 (2025): JATI Vol. 9 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i2.13309

Abstract

Buah-buahan seperti apel hijau, apel Fuji, dan jeruk memiliki karakteristik visual yang berbeda berdasarkan tektur, bentuk, dan warnanya. Klasifikasi otomatis buah ini sangat berguna dalam industri pertanian dan perdagangan, seperti dalam proses sortir otomatis, deteksi kualitas buah, dan pengemasan yang lebih efisien. Teknik pengolahan citra dan machine learning dapat membantu mengklasifikasikan buah secara otomatis berdasarkan fitur visualnya. Pada penelitian metode yang digunakan untuk klasifikasi tiga jenis buah, yaitu apel hijau, apel Fuji, dan jeruk adalah K-Nearest Neighbor (KNN) dan Principal Component Analysis (PCA) untuk. PCA digunakan untuk mereduksi dimensi data fitur citra buah seperti warna, tekstur, dan bentuk, sehingga meningkatkan efisiensi proses klasifikasi. Algoritma KNN diterapkan untuk mengklasifikasikan buah berdasarkan hasil reduksi fitur yang diperoleh dari PCA. Uji coba dilakukan pada dataset citra buah dengan berbagai kondisi pencahayaan dan sudut pengambilan gambar. Dari 30 gambar (10 apel Fuji 10 apel hijau, dan 10 jeruk), hasil menunjukkan bahwa 2 apel fuji tidak teridentifikasi dengan benar, dengan akurasi mencapai 93%. Hasil penelitian menunjukkan bahwa kombinasi PCA dan KNN mampu mencapai tingkat akurasi tinggi dalam mengklasifikasikan ketiga jenis buah tersebut, dengan tingkat akurasi terbaik sebesar 93%. Kombinasi metode ini dapat diandalkan sebagai solusi dalam sistem klasifikasi otomatis berbasis citra digital.
Identifikasi Cerdas Apel Fuji dan Apel Hijau: Pendekatan K-Means Clustering untuk Segmentasi Buah Yolanda, Yolanda; Rosa, Imelda; Ramadhanu, Agung
Journal of Education Research Vol. 5 No. 3 (2024)
Publisher : Perkumpulan Pengelola Jurnal PAUD Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37985/jer.v5i3.1703

Abstract

Dalam industri pertanian modern, mengidentifikasi jenis buah sangat penting untuk menjamin kualitas dan distribusi produk. Penelitian ini mengeksplorasi penerapan K-Means Clustering untuk segmentasi dan identifikasi Apel Fuji dan Apel Hijau menggunakan fitur dari citra buah. Proses dimulai dengan pengolahan citra, konversi dari RGB ke LBA, kemudian data hasil konversi dianalisis menggunakan K-Means Clustering. Selanjutnya dilakukan ekstraksi bentuk dan tekstur. Dari 20 gambar (10 apel Fuji dan 10 apel hijau), hasil menunjukkan bahwa 1 apel tidak teridentifikasi dengan benar, dengan akurasi mencapai 95%. Hal ini membuktikan bahwa metode K-Means Clustering cukup akurat dalam mengidentifikasi jenis apel.