Articles
373 Documents
<![CDATA[Problem-Based Learning dalam Pembelajaran Matematika ]]>
<![CDATA[Pansa, Hani Ervina]]>
<![CDATA[ Prosiding Konferensi Nasional Penelitian Matematika dan Pembelajarannya 2016: Prosiding Konferensi Nasional Penelitian Matematika dan Pembelajarannya ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Surakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Tulisan ini membahas tentang Problem-Based Learning dalam pembelajaran matematika. Problem-Based Learning atau pembelajaran berbasis masalah adalah suatu model pembelajaran yang menghadapkan siswa pada pembelajaran kompleks dan bermakna, dimana masalah dibingkai dalam konteks nyata. Problem Based Learning bertujuan untuk membuat siswa menjadi pembelajar yang mandiri. Karakteristik pembelajaran berbasis masalah yakni : (1) belajar dimulai dengan suatu masalah, (2) memastikan bahwa masalah yang diberikan berhubungan dengan dunia nyata siswa/mahasiswa, (3) mengorganisasikan pelajaran diseputar masalah, bukan diseputar disiplin ilmu, (4) memberikan tanggung jawab yang besar kepada pebelajar dalam membentuk dan menjalankan secara langsung proses belajar mereka sendiri, (5) menggunakan kelompok kecil, dan (6) menuntut pebelajar untuk mendemontrasikan apa yang telah mereka pelajari dalam bentuk suatu produk atau kinerja. Siswa dapat memperoleh pengetahuan konseptual dan keterampilan prosedural secara kreatif dan kooperatif. Siswa dapat mengembangkan satu atau lebih solusi dari permasalahan yang disajikan. Problem-Based Learning memberikan kesempatan kepada siswa untuk berperan aktif selama proses pembelajaran, membantu siswa dalam menganalisis soal-soal sukar, berpikir kritis, memberikan ide atau pendapat pada proses pembelajaran serta mengajarkan keterampilan bekerjasama dalam kelompok. Problem-Based Learning disarankan untuk diterapkan di sekolah-sekolah.]]>
<![CDATA[Penerapan Project-Based Learning Dalam Pembelajaran Matematika untuk Meningkatkan Kemampuan Komunikasi Matematis dan Aktivitas Belajar Siswa ]]>
<![CDATA[Ismayani, Ani]]>;
<![CDATA[Nuryanti, N]]>
<![CDATA[ Prosiding Konferensi Nasional Penelitian Matematika dan Pembelajarannya 2016: Prosiding Konferensi Nasional Penelitian Matematika dan Pembelajarannya ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Surakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Project-based learning merupakan pembelajaran yang di dalamnya melibatkan tugas-tugas proyek. Tuntutan dari sebuah tugas proyek dalam pembelajaran matematika melalui project based learning adalah siswa dapat menyelesaikan sebuah permasalahan matematika melalui serangkaian tugas-tugas proyek yang dirancang sedemikian rupa mulai dari kegiatan perencanaan hingga tahap evaluasi. Metode kerja seperti itu diharapkan dapat merangsang siswa untuk terlibat aktif di dalam pembelajaran, serta merangsang kemampuan-kemampuan matematis, salah satunya adalah kemampuan komunikasi matematis siswa. Oleh sebab itulah Penelitian Tindakan Kelas ini dilakukan. Penelitian ini dilakukan terhadap siswa kelas XII AP 4 SMKN 1 Cianjur dengan tujuan untuk meningkatkan aktivitas belajar dan kemampuan komunikasi matematis siswa. Setelah penelitian dalam 2 siklus, diperoleh hasil bahwa terdapat peningkatan kemampuan komunikasi matematis siswa secara lisan maupun tulisan di antara dua siklus penelitian, dengan nilai daya serap masing-masing siklus sebesar 61% dan 75%, dan ketuntasan klasikal masing-masing sebesar 79% dan 82%. Respon siswa terhadap pelaksanaan pembelajaran model ini juga positif. Lebih dari 80% siswa merasa lebih aktif belajar dalam Project-based learning. Aktivitas siswa di kelas secara keseluruhan menjadi lebih baik, sehingga model pembelajaran ini dapat dijadikan salah satu alternatif dalam pembelajaran matematika.]]>
<![CDATA[Meningkatkan Kemampuan Komunikasi Matematis Siswa Melalui Pendekatan Realistic Mathematics Education (RME) ]]>
<![CDATA[Silvianti, Rizka]]>;
<![CDATA[Bharata, Haninda]]>
<![CDATA[ Prosiding Konferensi Nasional Penelitian Matematika dan Pembelajarannya 2016: Prosiding Konferensi Nasional Penelitian Matematika dan Pembelajarannya ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Surakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Artikel ini merupakan hasil kajian meningkatkan kemampuan kamunikasi matematis siswa melalui pendekatan Realistic Mathematics Education (RME). Kemampuan komunikasi adalah salah satu kemampuan matematika yang harus dikuasai oleh siswa dalam belajar matematika. Siswa yang memiliki kemampuan komunikasi matematis yang baik akan mampu menciptakan beragam representasi dalam memecahkan masalah. Hal ini akan memudahkan siswa dalam membuat berbagai penyelesaian alternatif sehingga dapat meningkatkan kemampuan siswa dalam memecahkan masalah matematika. Cara yang dapat digunakan untuk meningkatkan kemampuan komunikasi matematis siswa adalah pendekatan RME. Pendekatan RME membuat siswa lebih aktif mengkonstruksi sendiri pengetahuan yang akan mereka peroleh. Dalam proses pem-belajaran dengan pendekatan RME, guru tidak langsung memberikan rumus atau konsep kepada siswa, tetapi terlebih dahulu memberikan pengantar berupa penyajian suatu bentuk cerita yang dekat dengan kehidupan siswa, kemudian membimbing siswa untuk menemukan kembali dan mengkonstruksi sendiri konsep matematika dari permasalahan yang diberikan. Pembelajaran dengan pendekatan RME dapat meningkatkan kemampuan komunikasi matematis siswa.]]>
<![CDATA[Redefinisi Angka Menurutprinsip Relativitas Dan Konsekuensinya terhadap Teori Bilangan ]]>
<![CDATA[Umam, Jaki]]>
<![CDATA[ Prosiding Konferensi Nasional Penelitian Matematika dan Pembelajarannya 2016: Prosiding Konferensi Nasional Penelitian Matematika dan Pembelajarannya ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Surakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Prinsip Relativitas menjadi buah bibir kalangan ilmiah bahkan sejak kali pertama dipublikasikan. Prinsip ini berlaku dalammekanika, kosmologi dan geometri. Generalisasinya tentu berlaku pula dalam matematika. Generalisasi yang dimaksud adalah bahwa semua definisi selalu memerlukan kerangka acuan. Apabila generalisasi ini diterapkan dalam Teori Bilangan, maka diperlukan redefinisi mendasar terhadap komponen utama bilangan, yakni angka. Definisi angka selalu membutuhkan acuan,dimana hal itu menentukan bagaimana cara kita membilang. Berdasar keberadaan kerangka acuan, ada dua cara membilang, yakni membilang dari acuan kosong (yang biasa kita pakai) dan membilang dari acuan penuh. Berdasar hasil ini, semua angka diketahui memiliki bayangan yang sama persis dan bertolakbelakang, seperti tangan kanan dan tangan kiri. Manfaat yang paling terang dari penerapan ini adalah runtuhnya ketakterdefinisian yang dihasilkan dalam perhitungan rasio a/0.]]>
<![CDATA[Model Truncated Spatial pada Data Tersensor ]]>
<![CDATA[Faidah, Defi Yusti]]>
<![CDATA[ Prosiding Konferensi Nasional Penelitian Matematika dan Pembelajarannya 2016: Prosiding Konferensi Nasional Penelitian Matematika dan Pembelajarannya ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Surakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Pada kasus tertentu seringkali ditemui data yang bernilai nol untuk sebagian observasi, dan sisanya memiliki nilai yang beragam. Data yang memiliki struktur tersebut dinamakan data tersensor. Dibutuhkan metode khusus untuk mengolah data tersebut. Penggunaan metode analisis regresi linier klasik untuk melihat hubungan variabel yang sifatnya tersensor dengan variabel prediktor tidak tepat. Untuk mengatasi hal tersebut, maka digunakan suatu model regresi untuk data tersensor yang dikenal dengan nama Model truncated. Akan tetapi seringkali data-data tersensor melibatkan aspek keterkaiatan antar wilayah. Oleh karena itu diperlukan suatu pendekatan yang mengkombinasikan antara model truncated dan spasial. Penelitian ini mengkaji data tersensor dengan pendekatan model truncated spatial. Metode penaksiran parameter yang digunakan adalah Maximum Likelihood Estimation. Penaksiran parameter dilakukan dengan melakukan turunan parsial pertama fungsi ln likelihood terhadap parameter yang akan diestimasi dan kemudian disamakan dengan nol. Penaksiran parameter model truncated spasial tidak bisa langsung diperoleh. Hal ini karena fungsinya berbentuk implisit sehingga diperlukan iterasi Newton Raphson untuk memperoleh estimasi parameternya]]>
<![CDATA[Perbandingan Metode Estimasi M Dan Estimasi Mm (Methode Of Moment) pada Regresi Robust ]]>
<![CDATA[Dewayanti, Arlinda Amalia]]>;
<![CDATA[Widodo, Edy]]>
<![CDATA[ Prosiding Konferensi Nasional Penelitian Matematika dan Pembelajarannya 2016: Prosiding Konferensi Nasional Penelitian Matematika dan Pembelajarannya ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Surakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Analisis regresi merupakan suatu metode dalam statistika untuk mengetahui hubungan antara variabel dependen dengan variabel independen. Metode yang digunakan dalam estimasi parameter pada model tersebut adalah Metode Kuadrat Terkecil (MKT).Metode ini sangat peka terhadap penyimpangan-penyimpangan asumsi pada data.Asumsi yang sering tidak terpenuhi adalah asumsi normalitas.Salah satu penyebab tidak terpenuhinya asumsi ini karena terdapat outlier pada data. Oleh sebab itu, digunakan metode lain untuk menangani data outlier. Salah satunya adalah metode regresi robust dengan menggunakan estimasi M dan MM (Methode of Moment). Metode yang digunakani adalah estimasi MKT, estimasi M, dan estimasi MM. Pada penelitian ini akan dibahas mengenai perbandingan antara M dan estimasi MM dengan metode MKT dilihat dari nilai residual standard error, standard errordan nilai koefisien regresi. Hasil yang diperoleh dengan simulasi data menunjukkan bahwa untuk data yang mengandung outlier estimasi parameter yang diperoleh pada metode regresi robust dengan metode M lebih baik digunakan dibandingkan dengan metode MKT. Sedangkan untuk data tanpa outlier estimasi parameter yang diperoleh dengan metode MKT lebih baik dibandingkan dengan metode estimasi M dan estimasi MM]]>
<![CDATA[Metode Beda Hingga pada Kestabilan Persama-An Difusi Kompleks Dimensi Satu ]]>
<![CDATA[Pramana, Danar Ardian]]>
<![CDATA[ Prosiding Konferensi Nasional Penelitian Matematika dan Pembelajarannya 2016: Prosiding Konferensi Nasional Penelitian Matematika dan Pembelajarannya ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Surakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Pada naskah makalah ini dibahas pendekatan beda hingga pada persamaan difusi. Persamaan differensial parsial dan masalah syarat awal dan syarat batas merupakan pokok bahasan terapan matematika yang salah satunya diterapkan dalam bidang fisika, sebagai contoh yaitu persamaan difusi dengan diikuti oleh syarat awal dan syarat batas. Persamaan difusi ini menggunakan bilangan kompleks pada konstantanya yang biasa disebut dengan persamaan difusi kompleks. Persamaan difusi dimensi satu berbentuk]]>
<![CDATA[Definisi Integral Riemann Melalui Pendekatan Barisan Fungsi Tangga ]]>
<![CDATA[Muslich, M]]>;
<![CDATA[Sutrima, S]]>;
<![CDATA[Wibowo, Supriyadi]]>
<![CDATA[ Prosiding Konferensi Nasional Penelitian Matematika dan Pembelajarannya 2016: Prosiding Konferensi Nasional Penelitian Matematika dan Pembelajarannya ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Surakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Analisis Faktor 2-Level dalam Model Persamaan Struktural ]]>
<![CDATA[Waluyo, Mohamad]]>;
<![CDATA[Abdurakhman, A]]>;
<![CDATA[Zulaela, Z]]>
<![CDATA[ Prosiding Konferensi Nasional Penelitian Matematika dan Pembelajarannya 2016: Prosiding Konferensi Nasional Penelitian Matematika dan Pembelajarannya ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Surakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Model persamaan struktural (SEM) sangat berguna untuk mengetahui apakah suatu model antar variabel laten, variabel indikator fit dengan data yang diperoleh. Ketika data yang diperoleh cukup besar dan berhirarki maka diperlukan analasis penyesuaian dalam model struktural tersebut. Penyesuaian tersebut adalah dengan memasukkan variabel random efek dari tiap tingkatan hirarki. Variabel random untuk 2 level hirarki yaitu variabel random efek level-1 dan level-2. Metode estimasi yang digunakan dalam penelitian ini adalah maksimum likelihood (ML). Penggunaan metode ML ini merupakan metode yang umum dipakai dalam estimasi parameter dalam SEM namun mengalami kendala ketika terdapat data hilang. Sehingga algoritma ekspektasi-maksimasi (EM) diperlukan untuk mengestimasi data hilang.]]>
<![CDATA[Pemodelan untuk Pengiriman Barang dengan Memanfaatkan Jasa Kereta Apidi Jawa dan Sumatera ]]>
<![CDATA[Sartono, S]]>
<![CDATA[ Prosiding Konferensi Nasional Penelitian Matematika dan Pembelajarannya 2016: Prosiding Konferensi Nasional Penelitian Matematika dan Pembelajarannya ]]>
Publisher : <![CDATA[Universitas Muhammadiyah Surakarta ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Business on delivery sector has been growth recently, especially using railway. The development of infrastructures and facilities must be managed efficiently considering to an accurate information about the future need based on a historical data analysis. This article tried to develop models which can be used by decision makers to determine a reasonable plan to improve the profit. The Box-Jenkins method was employed to develop a model of historical data of goods distribution using train for Java and Sumatera area. The residuals was maintained using the GARCH model. This model was compared to the Trend and Seasonal Linear Model (TSLM) by evaluating the mean of absolute errors (MAE) and the root of mean squared errors (RMSE). The result shows that the ARIMA+GARCH model did better than ARIMA, SARIMA, and TSLM in predicting one and three month ahead for Java area, while the TSLM was more suitable for six and nine month forecasting than the others. On the other hand, the linear model provided the least values of MAE and RMSE for one, three, six, and nine month ahead prediction for Sumatera area]]>
