Kemacetan merupakan salah satu masalah yang dihadapi oleh masyarakat, khususnya di kota besar. Salah satu penyebabnya adalah tidak sebandingnya jumlah kendaraan dengan ruas jalan raya yang dilalui. Salah satu upaya penanganan kemacetan yang terjadi tersebut adalah dengan menggunakan pengalihan kendaraan ke jalur alternatif yang jumlah kendaraannya lebih sedikit. Untuk itu diperlukan metode pemilihan jalur alternatif yang tepat untuk mengurangi masalah kemacetan tersebut. Penelitian ini bertujuan untuk menentukan jalurjalur alternatif yang lebih efektif dan efisien sehingga dapat mengurangi kemacetan di suatu ruas-ruas jalan tertentu dengan menentukan bobot terkecil dari masing-masing ruas jalan menggunakan Algoritma Dijkstra. Dari penelitian ini akan dihasilkan jalur-jalur alternatif yang dapat dilalui pengendara untuk menghindari terjadinya kemacetan di ruas jalan tertentu.
Tujuan dari penelitian ini adalah untuk mengetahui perbedaan hasil belajar mahasiswa antara mahasiswa yang belajar menggunakan model pembelajaran self directed learning dengan mahasiswa yang belajar menggunakan model pembelajaran konvensional. Penelitian ini merupakan penelitian eksperimen yang bertujuan untuk mencari pengaruh perlakuan tertentu terhadap yang lain dalam kondisi yang terkontrol. Hasil penelitian diuji menggunakan uji hipotesis untuk mengetahui adanya perbedaan hasil belajar mahasiswa antara mahasiswa yang belajar menggunakan model pembelajaran self directed learning dengan mahasiswa yang belajar menggunakan model pembelajaran konvensional. Selain itu juga digunakan analisis statistik deskriptif untuk melihat perubahan sebelum dan sesudah perlakuan. Dari hasil penelitian menggunakan uji hipotesis dan analisis statistik deskriptif menunjukkan bahwa terdapat perbedaan hasil belajar mahasiswa yang menggunakan model pembelajaran self directed learning. Model pembelajaran self directed learning dapat meningkatkan kemandirian belajar mahasiswa sehingga terdapat perbedaan yang cukup signifikan antara kelompok mahasiswa yang belajar menggunakan model pembelajaran self directed learning dan kelompok mahasiswa yang belajar dengan pembelajaran konvensional. Kata kunci: self directed learning ABSTRACT This study aims to determine differences in student learning outcomes between students using self directed learning method and students using conventional method. This research is an experimental research to find the effect of certain treatment on others in controlled condition. Hypothesis testing is used to analyze the result of the research and to know the difference of student learning result. Descriptive statistical analysis is used to determine changes before and after treatment. From the results of the study showed that there are differences in student learning outcomes using self directed learning method. The self directed learning model can improve students' self-reliance so that there is a significant difference between the groups of students using self directed learning method and students using conventional method. Keywords: self directed learning
ABSTRAKAspek utama yang membedakan sensor satu dengan yang lainnya adalah tingkat akurasinya. Pada penelitian ini, dibuat sistem untuk menurunkan tingkat deviasi untuk meminimalisir kesalahan hasil pengukuran pada sensor berbiaya murah. Sensor yang digunakan adalah sensor tekanan udara BMP180. Sensor tersebut digunakan untuk mengukur kedalaman berdasarkan tekanan udara dalam air. Moving Average Filter (MAF) digunakan untuk membuang pencilan data, sehingga didapatkan data yang lebih relevan yang kemudian digunakan untuk melakukan curve fitting. Kemudian dilakukan analisis regresi linear untuk menghasilkan persamaan yang berfungsi sebagai pengoreksi data terekam dari sensor tersebut. Pengujian sistem dilakukan melalui beberapa skenario lalu diambil persamaan yang menghasilkan nilai Mean Square Error (MSE) yang paling kecil. Berdasarkan hasil penelitian, diperoleh kesimpulan bahwa MAF mampu meningkatkan akurasi data hingga mencapai 99.12%.Kata kunci: sensor BMP180, koreksi kesalahan, regresi linear, moving average filter, mean square error ABSTRACTThe main aspect that distinguishes sensors from one another is the level of accuracy. In this study, a system was developed to reduce the level of deviation to minimize the measurement error on low-cost sensors. The sensor used is the air pressure sensor, BMP180. Then this sensor is used to measure water depth based on air pressure in water. The Moving Average Filter (MAF) method is used to get rid of outliers of data, to obtain more relevant data for curve fitting. Then a linear regression analysis is performed to produce a function as a correction of recorded data from the sensor. System testing is carried out through a number of scenarios and then the equation is chosen with the smallest Mean Square Error (MSE). Based on this research, MAF increases data accuracy up to 99.12%.Keywords: sensor BMP180, error correction, linear regression, moving average filter, mean square error
Kemampuan menggunakan dasar keilmuan matematika dalam bidang telekomunikasi merupakan salah satu capaian pembelajaran lulusan (CPL) Program Studi Teknik Telekomunikasi Institut Teknologi Telkom Purwokerto. Penguasaan terhadap materi persamaan diferensial linier orde satu merupakan salah satu komponen penting dalam pencapaian CPL tersebut namun hasil evaluasi terhadap jawaban mahasiswa pada topik ini menunjukan tingkat kesalahan yang tinggi. Penelitian ini ditujukan untuk menganalisis kesalahan dalam penyelesaian persamaan diferensial orde satu oleh mahasiswa dan menentukan faktor-faktor penyebab kesalahan tersebut sehingga dapat mengurangi permasalahan yang sama pada masa mendatang. Penelitian menggunakan pendekatan metode deskriptif kualitatif terhadap subjek penelitian mahasiswa kelas S1TT-06-A yang dipilih melalui metode purposive sampling. Pengumpulan data menggunakan metode tes dan wawancara sedangkan analisis jawaban menggunakan panduan kriteria Watson dan menggunakan teknik triangulasi. Analisis data dilakukan dengan mereduksi data, menyajikan data dan menarik kesimpulan. Berdasarkan hasil penelitian, persentase kesalahan kategori data tidak tepat sebesar 20%, ketidaktepatan prosedur sebesar 22,86 %, data hilang sebesar 2,85%, kategori simpulan yang hilang sebesar 11,43%, hirarki keterampilan sebesar 5,71%, kategori konflik level respon dan masalah manipulasi tidak langsung sebesar 0% dan kesalahan di luar kriteria yang tujuh sebesar 14,29%.
Pada penelitian ini, kami menggunakan model kompartemen Susceptible-Exposed-Infected-Recovered (SEIR) untuk analisis dampak sumber daya pengobatan yang terbatas dan memprediksi dinamika penyebaran COVID-19 di Indonesia. Metode yang digunakan adalah penurunan angka rasio reproduksi dasar dan titik ekuilibrium menggunakan analisis sistem dinamik dalam bentuk persamaan diferensial non linier yang diperoleh dari model awal. Kemudian, kami menganalisis angka rasio reproduksi dasar dan titik ekuilibrium, serta memprediksi kondisi pandemi COVID-19 menggunakan kasus nyata di Indonesia sejak 2 Maret hingga 30 Nopember 2020. Dari hasil penelitian ini, diperoleh bahwa jika perubahan kasus terinfeksi ( ) terhadap waktu kurang dari 2640 kasus, maka angka rasio reproduksi dasar menjadi kurang dari nol dan nilai ( ) semakin mendekati nol saat mulai memasuki bulan Maret 2021. Hal tersebut berarti, jika ratarata kasus positif terkonfirmasi harian masih di bawah kapasitas maksimal sumber daya pengobatan, yaitu 2640 kasus, maka dari hasil analisis model diprediksikan bahwa penyakit akan mulai menghilang pada bulan Maret 2021. Sebaliknya, jika kasus positif terkonfirmasi harian di atas 2640 kasus, maka diperkirakan penyakit akan mulai menghilang pada Juni 2021. Kata Kunci: COVID-19, model kompartemen SEIR, pengobatan
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.