Kurangnya media pembelajaran yang memudahkan dalam mempelajari materi sistem pencernaan manusia menjadi kendala tersendiri bagi guru dan murid sehingga dilakukan penelitian yang bertujuan untuk mengembangkan dan mengetahui keefektifan media pembelajaran sistem pencernaan manusia untuk kelas 8 SMP dengan fitur Augmented Reality berbasis Android dengan mengambil studi kasus di SMPN 7 Depok. Penelitian ini menggunakan metode Research and Development (R&D) dengan model pengembangan ADDIE yang terdiri dari lima tahapan yaitu Analisis (Analyze), Perancangan (Design), Pengembangan (Development), Penerapan (Implementation), dan Evaluasi (Evaluation). Instrumen yang digunakan dalam menguji kelayakan dan keefektifan media pembelajaran adalah angket dan soal tes. Media pembelajaran diuji kelayakannya oleh ahli materi dan ahli media dengan hasil media pembelajaran layak untuk digunakan oleh siswa. Untuk menguji keefektifan media pembelajaran dilakukan melalui pretest dan posttest serta angket tanggapan siswa setelah menggunakan media pembelajaran, dengan hasil tes terdapat peningkatan hasil belajar signifikan setelah menggunakan media pembelajaran serta hasil angket yang mendapatkan total presentase 88,56% dengan keterangan sangat baik. Berdasarkan hasil evaluasi, media pembelajaran layak dan efektif untuk digunakan dalam pembelajaran materi sistem pencernaan manusia untuk kelas 8 SMP.

Penelitian ini bertujuan untuk mengembangkan sistem pendukung keputusan untuk memprediksi kelulusan mahasiswa apakah dapat lulus kurang dari sama dengan 4 tahun atau lebih dari 4 tahun. Algoritma yang digunakan adalah Naïve Bayes dengan menggunakan atribut yaitu jenis kelamin, IPK semester 1-4, jumlah SKS semester 1-4, jumlah mata kuliah semester 1-4. Metode Naïve Bayes digunakan untuk menganalisis data dalam pengenalan pola dan memprediksi kelulusan mahasiswa. Data yang dibutuhkan adalah data mahasiswa yang sudah lulus sebagai data training sedangkan data mahasiswa yang masih menempuh studi kuliah sebagai data uji. Data training yang digunakan dalam penelitian ini sebanyak 326 lulusan dan data uji yang digunakan sebanyak 41 mahasiswa. Dalam penelitian ini hasil yang dicapai memiliki akurasi untuk tepat waktu sebesar 63% dan akurasi untuk terlambat sebesar 37%.

No abstract

Tanda tangan adalah sebuah tulisan tangan yang digunakan untuk mengesahkan sebuah dokumen atau surat Keterdapatan tanda tangan dalam sebuah dokumen mengartikan bahwa pihak yang menandatangani mengetahui dan menyetujui seluruh isi dari dokumen. Hal ini menyebabkan tanda tangan dapat dipalsukan oleh pihak yang tidak bertanggung jawab. Tanda tangan dapat dikenali keaslianya secara manual atau dengan penggunaan komputer dengan menggunakan jaringan syaraf tiruan (JST). Perceptron adalah salah satu algoritma jaringan syaraf tiruan yang dapat digunakan untuk mengenali tanda tangan dengan akurat. Algoritma Perceptron merupakan sebuah algoritma yang digunakan untuk supervised learning (Pembelajaran Terarah) yang dapat mengklasifikasi sebuah input yang bersifat linearly seperable (dapat dipisahkan secara linier) kedalam kelas-kelas tertentu. Peneliti menggunakan tanda tangan dari 5 pejabat fakultas teknik universitas negeri Jakarta, terdapat 15 tanda tangan asli masing masing pejabat dan terdapat juga 15 tanda tangan palsu masing masing pejabat, secara keseluruhan terdapat 150 tanda tangan yang akan dijadikan sebagai data uji (data test) dan data latih (data train). K fold-cross validation digunakan untuk mendapatkan tingkat akurasi yang valid dari penggunaan algoritma perceptron. Hasil pengenalan tanda tangan menggunakan algoritma perceptron yang tingkat akurasinya diukur dengan menggunakan k fold-cross validation, memiliki rata-rata akurasi algoritma 78.667%

Citra digital Meme merupakan sarana penyampaian informasi, teks pada Meme sebagian besar akan bergabung dengan latar pada gambar. Untuk membedakan latar dan teks dapat dilakukan dengan deteksi Tepi. Algoritma Canny merupakan salah satu algoritma deteksi Tepi yang memiliki tingkat kesalahan yang minimum dan menghasilkan citra tepian yang optimal. Salah satu penggunaan deteksi Tepi dapat diterapkan citra digital Meme untuk menentukan wilayah teks yang terdapat pada citra Meme. Hasil algoritma Canny mendeteksi Tepi untuk menentukan wilayah tulisan pada Meme lalu diidentifkiasi menggunakan pengenalan karakter optis (OCR) akan dijadikan perhitungan untuk menilai kinerja algoritma deteksi Tepi Canny. Kinerja algoritma Canny mendeteksi Tepi untuk menentukan wilayah kandidat teks meningkatkan akurasi deteksi tulisan pada OCR (Object Character Recognition) dengan akurasi keberhasilan secara keseluruhan sebesar 65,47% dibandingkan dengan deteksi tulisan langsung menggunakan OCR sebesar 47,91%. Selain itu mengurangi tingkat kesalahan deteksi tulisan pada OCR dengan akurasi kesalahan secara keseluruhan yaitu kehilangan karakter sebesar 34,53% dan kelebihan karakter sebesar 35,98% dibandingkan deteksi tulisan langsung menggunakan OCR dengan akurasi kehilangan karakter sebesar 52,09% dan kelebihan karakter sebesar 52,62. Kinerja algoritma Canny mendeteksi wilayah kandidat teks pada OCR secara keseluruhan meningkatkan akurasi kebenaran dalam mendeteksi tulisan pada citra digital Meme dan mengurangi persentase kesalahan.