Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal JOURNAL OF SCIENCE AND SOCIAL RESEARCH Jurnal Penelitian Multidisiplin Bangsa
Simangunsong, Weny Nur Afdilla
Unknown Affiliation
Computer Science & IT Economics, Econometrics & Finance Education Public Health Social Sciences

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

Found 2 Documents
Search

 1 
Pemanfaatan E-Learning Untuk Fleksibilitas Pembelajaran Dan Mudah Mendapatkan Kebutuhan Informasi Dimana Saja Simangunsong, Weny Nur Afdilla
Jurnal Penelitian Multidisiplin Bangsa Vol. 1 No. 6 (2024): November
Publisher : Amirul Bangun Bangsa Publishing

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59837/jpnmb.v1i6.91

Abstract

Dalam era digital saat ini, pemanfaatan e-learning menjadi solusi efektif untuk meningkatkan fleksibilitas proses pembelajaran dan akses informasi. E-learning memungkinkan mahasiswa dan pengajar untuk mengakses materi pendidikan, diskusi, dan sumber daya lainnya tanpa terikat oleh waktu dan lokasi tertentu. Penelitian ini bertujuan untuk mengevaluasi peran dan manfaat e-learning dalam mendukung fleksibilitas pembelajaran serta mempermudah akses informasi yang relevan di mana saja. Metode penelitian melibatkan studi literatur dan survei terhadap pengguna platform e-learning. Hasil menunjukkan bahwa penggunaan e-learning memberikan dampak positif terhadap efisiensi waktu belajar, kemudahan akses materi, dan peningkatan keterlibatan peserta didik. Tantangan utama dalam penerapannya meliputi kebutuhan infrastruktur teknologi yang memadai dan literasi digital yang optimal. Abstrak ini menyoroti pentingnya integrasi e-learning sebagai bagian dari strategi pembelajaran modern yang responsif terhadap kebutuhan pendidikan di era globalisasi.
KLASIFIKASI TIPE KACA MENGGUNAKAN METODE K-NEAREST NEIGHBOR Ayyub, Muhammad Azwar Al; Simangunsong, Weny Nur Afdilla; Farhatun, Dini; Dea, Emi; Agustin, Selfina; Rahman, Zulfa Ar; Ridho, Muhammad
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol 9, No 1 (2026): February 2026
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v9i1.5745

Abstract

Abstract: Glass is a material that is widely used in various fields, such as construction, the automotive industry, and household appliances. Each type of glass has different characteristics based on its chemical composition and production process. Problems arise when the process of identifying glass types is still done manually, which is time-consuming, costly, and prone to error. This study aims to apply the K-Nearest Neighbor (K-NN) method in classifying glass types based on their chemical content attributes. The data in this study was sourced from Kaggle, namely the Glass Identification Dataset. The data used consisted of several chemical features, such as Na, Mg, Al, Si, K, Ca, Ba, and Fe, with seven categories of glass classes. The results showed that the K-NN method was able to classify glass types well and could be an effective solution to assist in the automatic glass identification process. Keyword: Classification, K-Nearest Neighbor, Data Mining, Types of Glass. Abstrak: Kaca merupakan material yang banyak digunakan dalam berbagai bidang, seperti konstruksi, industri otomotif, dan peralatan rumah tangga. Setiap jenis kaca memiliki karakteristik yang berbeda berdasarkan komposisi kimia dan proses produksinya. Permasalahan muncul ketika proses identifikasi jenis kaca masih dilakukan secara manual, sehingga membutuhkan waktu, biaya, dan berpotensi menimbulkan kesalahan. Penelitian ini bertujuan untuk menerapkan metode K-Nearest Neighbor (K-NN) dalam mengklasifikasikan jenis kaca berdasarkan atribut kandungan kimianya. Data dalam penelitian ini bersumber dari Kaggle, yaitu Glass Identification Dataset. Data yang digunakan terdiri dari beberapa fitur kimia, seperti Na, Mg, Al, Si, K, Ca, Ba, dan Fe, dengan tujuh kategori kelas kaca. Hasil penelitian menunjukkan bahwa metode KNN mampu mengklasifikasikan jenis kaca dengan baik dan dapat menjadi solusi yang efektif untuk membantu proses identifikasi kaca secara otomatis. Kata kunci: Klasifikasi, K-Nearest Neighbor, Data Mining, Jenis Kaca.
Co-Authors Agustin, Selfina Ayyub, Muhammad Azwar Al Dea, Emi Farhatun, Dini Muhammad Ridho Rahman, Zulfa Ar