<p><em>Media pembelajaran adalah alat bantu proses belajar mengajar</em><em> </em><em>yang dapat dipergunakan untuk merangsang pikiran, perasaan, perhatian dan kemampuan untuk pembelajar</em><em>an. </em><em>Pelajaran ilmu pengetahuan alam (IPA) </em><em>adalah</em><em> salah satu bidang studi yang mempelajari alam semesta</em><em>, dalam kegiatan belajar guru sangat berperan penting dalam mengajar. </em><em>Tuntunan proses pengajaran agar tidak monoton atau bersifat hafalan guna mendorong guru IPA untuk terus meningkatkan kreatifitas penggunaan media dalam pembelajaran IPA, sehingga menciptakan proses pembelajaran yang menarik, interaktif dan menyenangkan</em><em> dalam mengikuti mata pelajaran tersebut</em><em>. Dalam pembelajaran IPA terdapat materi belajar berupa fakta-fakta dan adapula konsep yang bersifat abstrak. Metodologi penelitian pembuatan aplikasi media pembelajaran Ilmu Pengetahuan Alam berbasis multimedia ini menggunakan metodologi pengembangan multimedia Luther – Sutopo yaitu konsep, perancangan, pengumpulan bahan, pembuatan, pengujian dan distribusi. Pengembangan media menggunakan pendekatan “VISUALS” yaitu Visible (mudah dilihat), Interesting (menarik), Simple (sederhana), Useful (isinya bermanfaat), Accurate (benar bisa dipertanggung jawabkan), Legitimate (masuk akal), dan Structured (tersusun dengan baik). Berdasarkan kesimpulan penelitian menunjukkan bahwa aplikasi media pembelajaran IPA dapat digunakan oleh pengajar pada sarana pembelajaran berbasis multimedia.</em></p>
<p align="center"><strong>Abstrak</strong></p><p class="IsiAbstrak">Indonesia merupakan negara yang memiliki keanekaragaman hayati yang besar, salah satunya jenisnya ialah keanekaragaman ikan air tawar. Ikan air tawar yang layak konsumsi saat ini pun banyak jenisnya, sehingga bagi masyarakat yang kurang pengetahuan untuk mengenali jenis ikan sangatlah sulit. Teknologi identifikasi pengenalan citra dengan berbasis konten citra (Content Based Image Retrieval) dengan fitur bentuk berdasarkan titik tepi yang dihasilkan dapat membantu mengenali jenis ikan yang ada. Citra ikan yang digunakan diubah dari RGB menjadi grayscale yang diproses dengan metode deteksi tepi menjadi matriks nilai biner sehingga membentuk titik tepi dari ikan. Data citra ikan air tawar dalam penelitian berjumlah sepuluh jenis ikan, yang akan diproses untuk mendapatkan ekstraksi fitur deteksi tepinya. Deteksi tepi yang digunakan ialah penggabungan metode prewitt dan canny. Penelitian ini tidak memiliki hasil yang akurat dengan nilai 25%. Dimana penggabungan fitur lain akan sangat membantu dalam identifikasi.</p><p align="center"><strong>Abstract</strong></p><p><em>Indonesia is a country that has a great biodiversity, one of which is the diversity of freshwater fish. Freshwater fish that are suitable for consumption today are of many kinds, so that people who lack knowledge to recognize fish species are very difficult. Image recognition identification technology with Content Based Image Retrieval with shape features based on the resulting edge points can help identify the types of fish that exist. The fish image used is converted from RGB to grayscale which is processed by edge detection method into a binary value matrix so that it forms the edge points of the fish. Image data of freshwater fish in the study amounted to ten types of fish, which will be processed to obtain extraction of the edge detection features. The edge detection used is the merging of the prewitt and canny methods. This study did not have accurate results with a value of 25%. Where combining other features will be very helpful in identification.</em></p>
UMKM di Kota Bogor merupakan UMKM yang mengalami perkembangan yang signifikan dari tahun ke tahun. Pada tahun 2019, di Kota Bogor tercatat ada sekitar 30.822 usaha UMKM yang didominasi sektor kuliner 60 persen, kerajinan 30 persen dan 10 persen lainnya adalah sektor batik. Dengan adanya pertumbuhan UMKM yang signifikan tersebut, maka akan berpengaruh terhadap persaingan UMKM yang semakin meningkat dan akan semakin sulit untuk melihat peta persaingan pada UMKM, khususnya pada sektor kuliner. Sehingga untuk mengatasi persaingan tersebut salah satu cara yang dapat dilakukan adalah melihat sentimen konsumen terhadap UMKM tersebut. Salah satu metode yang dapat digunakan dalam menyelesaikan permasalahan tersebut, adalah metode <em>Data Mining</em><em>.</em> Pada metode <em>Data Mining</em>, terdapat beberapa algoritma popular yang sering digunakan. Dan salah satu algoritma yang popular itu adalah algoritma <em>K-Nearest Neighbor</em><em> (K-NN).</em> Algoritma KNN dapat digunakan pada berbagai kasus penelitian, seperti <em>multi-class classification, binary classification</em> dan <em>multi-label classification</em> yang dapat membantu dalam memprediksi berbagai kasus di kehidupan sehari-hari. Sehingga dalam hal ini, kami mengusulkan sebuah ide baru, yaitu penerapan <em>Big Data </em>menggunakan algoritma <em>Multi-Label K-Nearest Neighbor </em>atau ML-KNN dalam analisis sentimen konsumen terhadap UMKM sektor kuliner di Kota Bogor. Ide atau gagasan tersebut dapat bermanfaat bagi pelaku UMKM sektor kuliner di Kota Bogor dalam mengetahui <em>insight </em>atau wawasan dari hasil analisis sentimen konsumen terhadap UMKM dan dapat membantu untuk pengambilan sebuah keputusan bisnis dalam meningkatkan daya saingnya terhadap kompetitor atau UMKM sektor kuliner yang berada di Kota Bogor.
In early 2020, countries in the world were shocked by the outbreak of a new virus, namely SARS-CoV-2 and the disease was named Coronavirus 2019 (Covid-19). It is known that the virus originated in Wuhan, China and was discovered at the end of December 2019. Based on data on July 18, 2020, there are more than 180 countries that have contracted Covid-19 with a total of 13,824,739 confirmed cases since December 31, 2019. Based on data on positive cases of Covid- 19 above, the average patient has several clinical symptoms, one of which is having difficulty breathing due to a large pneumonia infiltrate in the lungs. Therefore, it is necessary to implement an automatic pulmonary diagnosis system as an alternative to prevent the increasingly widespread spread of Covid-19. Covid-19 can be detected in the lungs through digital image processing of chest X-ray using the Convolutional Neural Network (CNN) algorithm. CNN is a Deep Learning method that functions to identify digital images. In this study, three different scenarios were used. This scenario aims to find the best model using hyperparameter tunnning. The results of ROC analysis and confusion matrix show that in scenarios I, II and III get 94%, 95% and 93% accuracy.
<p>PERBANDINGAN METODE <em>DEEP LEARNING </em>DAN <em>MACHINE LEARNING </em>UNTUK KLASIFIKASI (UJI COBA PADA DATA PENYAKIT KANKER PAYUDARA).<strong> </strong>Penyebab kematian utama di seluruh dunia merupakan penyakit kanker, salah satunya adalah kanker payudara. Faktor penentu penyakit tersebut termasuk kategori ganas atau jinak bisa dilihat dari sembilan faktor utama berdasarkan ciri kanker tersebut. Tujuan dari penelitian ini adalah mendapatkan perbandingan metode yang paling akurat terhadap pengklasifikasian penyakit kanker payudara dan melihat selisih nilai <em>mean square error </em>(MSE) dari metode <em>deep learning </em>dan <em>machine learning </em>serta pencocokan hasil klasifikasi kedua metode dengan pernyataan klasifikasi yang sudah ada sehingga didapatkan nilai perbandingan metode yang paling akurat<em>. </em>Data yang digunakan pada penelitian ini diambil dari UCI Edu, dengan data latih sebanyak 546 data dan data uji sebanyak 137 data. Dari proses pengklasifikasian menggunakan FFNN pada <em>machine learning </em>dan RBM pada <em>deep learning, </em>maka dapat dilihat ada empat (2.92%) data kanker payudara pada proses FFNN yang tidak memenuhi <em>class </em>klasifikasi, sedangkan data yang tidak memenuhi <em>class </em>klasifikasi pada proses RBM ada dua (1.46%) data. Dalam kasus klasifikasi penyakit kanker payudara, akurasi metode <em>machine learning </em>lebih kecil dibandingkan dengan akurasi <em>deep learning </em>dan hasil hipotesa menggunakan uji t menunjukkan bahwa nilai signifikansi (2-<em>tailed</em>) lebih kecil dari α = 0.05 yaitu sebesar 8,68844E-16 yang menandakan bahwa <em>deep learning </em>lebih baik dibandingkan <em>machine learning. </em>Dengan akurasi metode <em>machine learning </em>sebesar 97.0803% dan <em>deep learning </em>sebesar 98.5401%. Nilai MSE pada pengklasifikasian menggunakan FFNN adalah sebesar 0.0814, sedangkan pada RBM sebesar 0.0584</p>
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.