Blended Learning


Blended Learning, bisa juga disebut dengan Hybrid Learning, sesuai dengan namanya merupakan suatu metode pembelajaran yang mengkombinasikan metode pembelajaran tatap muka dengan online learning.

Metode pembelajaran bisa berupa tatap muka sehari – hari, kemudian ada beberapa komponen pembelajaran e – learning yang disisipkan, maupun sebaliknya, kebanyakan pembelajaran e- learning, lalu disisipkan metode tatap muka untuk review atau untuk ujian.

Ada yang perlu diperhatikan oleh peserta saat hendak mengikuti metode pembelajaran ini adalah komitmen waktu untuk mempelajari suatu topik, kemampuan untuk beradaptasi dengan metode pembelajaran yang berbeda dari biasanya,

Metode pembelajaran ini bisa jadi menjadi suatu solusi yang baik untuk memenuhi kebutuhan market, dimana metode pembelajaran tatap muka dirasa sulit karena adanya kendala waktu maupun tempat, adanya pengurangan biaya operasional, peserta dapat menentukan sendiri kecepatan mereka dalam belajar, tidak terikat waktu namun tetap harus memiliki komitmen.

Mari kita lihat dari sisi peserta
Kelebihan untuk “saya sebagai peserta”:

  • Belajar kapan pun saya mau
  • Belajar dengan kecepatan yang saya inginkan
  • Mendapatkan pengalaman belajar dengan metode berbeda
  • Ada waktu untuk memperdalam suatu topik, sebelum membahas dengan trainer

Kekurangannya:

  • Harus memiliki komitmen waktu, karena saat tidak face-to-face tidak ada waktu tersendiri untuk belajar

Kesimpulannya, bisa kita katakan bahwa blended learning memberikan peserta suatu kesempatan untuk mempelajari/mengembangkan suatu keahlian berdasarkan self motivation, manajemen waktu dan konsentrasi (kemampuan untuk tetap fokus)

Sekarang kita lihat dari sisi pemberi training, sisi pemberi training disini dalam hal ini bisa jadi adalah lembaga yang menyediakan training, maupun perusahaan yang men-support blended learning

Kelebihan untuk “saya sebagai penyedia training”:

  • Beban biaya operasional training berkurang, begitu juga dengan biaya instruktur yang harus dibayarkan
  • Untuk perusahaan, karyawannya masih tetap ada di kantor bekerja sekaligus mempelajari suatu keahlian/topik
  • Konten training bisa diadaptasikan sesuai kebutuhan bisnis

Kekurangannya:

  • Saya harus mencari orang yang tepat untuk mendeliver materi agar tujuan dari pembelajaran benar – benar tersampaikan
  • Peserta tetap membutuhkan face-to-face untuk melengkapi pembelajaran
  • Training harus lebih serius, tidak sekedar main – main

Profesor McGinnis (2005) dalam artikelnya yang berjudul ‘Building A Successful Blended Learning Strategy’, menyarankan 6 hal yang perlu diperhatikan manakala orang menyelenggarakan blended learning.

Ke-enam hal tersebut adalah sebagai berikut:

  1. Penyampaian bahan ajar dan penyampaian pesan-pesan yang lain (seperti pengumuman yang berkaitan dengan kebijakan atau peraturan) secara konsisten.
  2. Penyelenggaraan pembelajaran melalui blended learning harus dilaksanakan secara serius karena hal ini akan mendorong siswa cepat menyesuaikan diri dengan sistim pendidikan jarak jauh. Konsekuensinya, siswa lebih cepat mandiri.
  3. Bahan ajar yang diberikan harus selalu mengalami perbaikan (updated), baik dari segi formatnya maupun ketersediaan bahan ajar yang memenuhi kaidah ‘bahan ajar mandiri’ (self-learning materials) seperti yang lazim digunakan pada pendidikan jarak jauh.
  4. Alokasi waktu bisa dimulai dengan formula awal 75:25 dalam artian bahwa 75% waktu digunakan untuk pembelajaran online dan 25% waktu digunakan untuk pembelajaran secara tatap muka (tutorial). Karena alokasi waktu ini belum ada yang baku, maka penyelenggara pendidikan bisa membuat ‘uji coba’ sendiri, sehingga diperoleh alokasi waktu yang ideal.
  5. Alokasi waktu tutorial sebesar 25% untuk tutorial, dapat digunakan khusus bagi mereka yang tertinggal, namun bila tidak memungkinkan (misalnya sebagian besar siswa menghendaki pembelajaran tatap muka), maka waktu yang tersedia sebesar 25% tersebut bisa dipakai untuk menyelesaikan kesulitan-kesulitan siswa dalam memahami isi bahan ajar. Jadi semacam penyelenggaraan ‘remedial class’.
  6. Dalam blended learning diperlukan kepemimpinan yang mempunyai waktu dan perhatian untuk terus berupaya bagaimana meningkatkan kualitas pembelajaran.

 

Selanjutnya secara lebih spesifik Profesor Steve Slemer (2005) dan Soekartawi (2005b) menyarankan enam tahapan dalam merancang dan menyelenggarakan blended learning agar hasilnya optimal. Ke-enam tahapan tersebut adalah sebagai berikut:

  1. Tetapkan macam dan materi bahan ajar, kemudian ubah atau siapkan bahan ajar tersebut menjadi bahan ajar yang memenuhi syarat untuk pendidikan jarak jauh. Karena medium pembelajarannya adalah blended – learning, maka bahan ajar sebaiknya dibedakan atau dirancang untuk tiga macam bahan ajar, yaitu:
    1. Bahan ajar yang dapat dipelajari sendiri oleh siswa,
    2. Bahan ajar yang dapat dipelajari melalui cara berinteraksi melalui cara tatap-muka, dan Bahan ajar yang dapat dipelajari melalui cara berinteraksi melalui cara online/web-based learning.
  2. Tetapkan rancangan dari blended learning yang digunakan. Pada tahap ini diperlukan ahli e-Learning untuk membantu. Intinya adalah bagaimana membuat rancangan pembelajaran yang berisikan komponen pendidikan jarak jauh dan tatap-muka yang baik. Karena itu dalam membuat rancangan pembelajaran ini, perlu diperhatikan hal-hal yang berkaitan antara lain:
    1. Bagaimana bahan ajar tersebut disajikan.
    2.  Bahan ajar mana yang bersifat wajib dipelajari dan mana yang sifatnya anjuran guna memperkaya pengetahuan siswa.
    3. Bagaimana siswa bisa mengakses dua komponen pembelajaran tersebut.
    4. Faktor pendukung apa yang diperlukan. Misalnya software apa yang digunakan, apakah diperlukan kerja kelompok, apakah diperlukan learning resource centers (sumber pembelajaran) di daerah-daerah tertentu.
  3. Tetapkan format dari on-line learning- apakah bahan ajar tersedia dalam format html (sehingga mudah di cut and paste) atau dalam format PDF (tidak bisa di cut and paste). Juga perlu di beritahukan ke siswa dan guru hosting apa yang dipakai, yaitu apakah on-line learning tersebut menggunakan internet link apa ?. apakah Yahoo, Google, MSN atau lainnya.
  4. Lakukan uji terhadap rancangan yang dibuat. Ini maksudnya apakah rancangan pembelajaran tersebut bisa dilaksanakan dengan mudah atau sebaliknya. Cara yang lazim dipakai untuk uji seperti ini adalah melalui cara ‘pilot test’. Dengan cara ini penyelenggara blended learning bisa minta masukan atau saran dari pengguna atau peserta pilot test.
  5. Selenggarakan blended learning dengan baik sambil juga menugaskan instruktur khusus (dosen/guru) yang tugas utamanya melayani pertanyaan siswa, apakah itu bagaimana melakukan pendaftaran sebagai peserta, bagaimana siswa atau instruktur yang lain melakukan akses terhadap bahan ajar, dan lainlain. Instruktur ini juga bisa berfungsi sebagai petugas promosi (public relation) karena yang bertanya mungkin bukan dari kalangan sendiri, tetapi dari pihak lain.
  6. Siapkan kriteria untuk melakukan evaluasi pelaksanaan blended learning. Memang banyak cara bagaimana membuat evaluasi ini, namun Semler (2005) menyarankan sebagai berikut:
    1. Ease to navigate, dalam artian seberapa mudah siswa bisa mengakses semua informasi yang disediakan di paket pembelajaran yang disiapkan di komputer. Kriterianya: makin mudah melakukan akses adalah makin baik.
    2. Content/substance, dalam artian bagaimana kualitas isi instruksional yang dipakai. Misalnya bagaimana petunjuk mempelajari isi bahan ajar, bagaimana bahan ajar itu disiapkan, apakah bahan ajar yang ada sesuai dengan tujuan pembelajaran, dan sebagainya. Kriterianya: makin mendekati isi bahan ajar itu dengan tujuan pembelajaran adalah makin baik.
    3. Layout/format/appearance, dalam artian apakah paket pembelajaran (bahan ajar, petunjuk belajar, atau informasi lainnya) disajikan secara profesional. Kriterianya: makin baik penyajian bahan ajar adalah makin baik.
    4. Interest, dalam artian sampai seberapa besar paket pembelajaran (bahan ajar, petunjuk belajar, atau informasi lainnya) yang disajikan mampu menimbulkan daya tarik siswa untuk belajar. Kriterianya: bila paket pembelajaran yang disajikan mampu menimbulkan siswa untuk terus tertarik belajar adalah makin baik.
    5. Applicability, dalam artian seberapa jauh paket pembelajaran (bahan ajar, petunjuk belajar, atau informasi lainnya) yang disajikan bisa dipraktekkan secara mudah. Kriterianya: makin mudah dipraktekkan adalah makin baik.
    6. Cost-effectiveness/value, dalam artian sampai seberapa murah biaya yang dikeluarkan untuk mengikuti paket pembelajaran tersebut. Kriterianya: semakin murah semakin baik.

 

 

sumber :

Soekartawi, A. Haryono dan F. Librero, (2002), Greater Learning Opportunities Through Distance Education: Experiences in Indonesia and the Philippines. Southeast Journal of Education

McGinnis, M. (2005). Building A Successful Blended Learning Strategy, (http://www.ltimagazine.com/ltimagazin e/article/articleDetail.jsp?id=167425),

Advertisements

PENERAPAN GOOGLE FOR EDUCATION SEBAGAI PENERAPAN PEMBELAJARAN BERBASIS ICT


PENERAPAN GOOGLE FOR EDUCATION SEBAGAI PENERAPAN PEMBELAJARAN BERBASIS ICT

Firman Riyadi

Email : 

 

Abstrak : Pembelajaran disekolah menjadi sebuah beban baik bagi siswa maupun orang tua, Tuntutan untuk mendapat nilai yang baik membuat beban bukan hanya dari sisi siswa, orang tua dan guru tetapi juga dari sisi pemerintah. Ini terlihat dari pemberitaan di media massa dimana kepala daerah memberikan komentar terkait tingkat kelulusan Ujian Nasional. Tuntutan akan nilai yang baik seringkali menghilangkan sisi pendidikan karakter seperti kejujuran, tanggung jawab, kerja sama, ikhlas, tolong menolong, dan bersyukur. Sistem pembelajaran yang satu arah dan hanya mengejar nilai pada akhirnya hanya akan membuat master of none yaitu siswa belajar banyak hal tetapi tidak memahami dan mendalami apa yang dipelajarinya. Belajar itu harusnya menyenangkan karena yang menyenangkan itu akan mudah diingat.E-learning sebagai metode pembelajaran yang memanfaatkan ICT (Information communication and Technology) membuat pembelajaran jadi lebih menyenangkan karena dapat diakses dimana saja, dapat di ulang, lebih interaktif dan lebih effesien. Teknologi yang dapat di implemetasikan di E-learning mulai dari teks, film, gambar bahkan animasi dengan tidak menghilangkan sisi pendidikan karakternya.

 

Keyword :Google for education. collaborative learning,ICT, Student center learning

Continue reading

spoofing


Spoofing adalah teknik yang digunakan untuk memperoleh akses yang tidak sah ke suatu komputer atau informasi dimana penyerang berhubungan dengan pengguna dengan berpura-pura memalsukan bahwa mereka adalah host yang dapat dipercaya “hal ini biasanya dilakukan oleh seorang hacker atau cracker”.

contoh spoofing

man-in-the-middle
paket data sniff berada antara dua titik point dan karena maka komputer yang digunakan untuk sniff dapat berpura-pura seolah-olah menjadi menjadi salah satu ujung sambungan

routing redirect
menghubungkan secara langsung ke jalur informasi dari komputer target ke komputer hacker ini bisa disebut juga sebagai bentuk lain dari man-in-the-middle attack

Continue reading

Example METAR codes


Dibawah ini adalah contoh dari kode Metar pada Burgas Airport di Burgas, Bulgaria yang diambil pada tanggal 4 Febuari 2005 jam 16.00  (waktu UTC)

METAR LBBG 041600Z 12003MPS 310V290 1400 R04/P1500N R22/P1500U +SN BKN022 OVC050 M04/M07 Q1020 NOSIG 9949//91=

  • METAR mengindikasikan pengamatan standar perjam dengan Metar code
  • LBBG adalah ICAO airport code untuk Burgas Airport.
  • 041600Z waktu pengamatan. hari ke 4 pada bulan berjalan (the 4th) diikuti waktu pada hari itu  (1600 Zulu time, yang sama dengan 4:00 pm Greenwich Mean Time).
  • 12003MPS menunjukkan arah angin dari 120° (east-southeast) dengan kecepatan 3 MPS (5.8 KT; 6.7 mph; 11 km/h). Ukuran kecepatan bisa bervariasi dari  knots (KT) atau meters/second (MPS).
  • 310V290 menunjukkan arah angin bervariasi dari 310° true (northwest) hingga 290° true (west-northwest).
  • 1400 menunjukkan jarak pandang yang berlaku adalah 1,400 m (4,600 ft).
  • R04/P1500N mengindikasikan jarak pandang pada landasan (Runway Visual Range (RVR)) sepanjang runway 04 adalah 1,500 m (4,900 ft) dan tidak berubah secara signifikan.
  • R22/P1500U mengindikasikan jarak pandang terhadap landasan 22 adalah 1500 m (4900 feet) dan jelas
  • +SN mengindikasikan salju jatuh pada tingkat yang berat,tanda minus atau plus (-/+) menunujukkan ringan atau berat
  • BKN022  mengindikasikan sebuah kerusakan pada lapisan awan(lebih dari setengah langit) pada ketinggian sekitar 670 m(2200 feet) diatas permukaan tanah
  • OVC050 Mengindikasikan lapisan awan yang baik pada ketinggian 1500 m (5000 feet) diatas permukaan tanah.
  • M04/M07  Mengindikasikan suhu adalah −4 °C (25 °F) dan suhu mencair pada is −7 °C (19 °F) sebuah M didepan angka mengindikasikan bahwa temperatur adalah dibawah nol celcius
  • Q1020 mengindikasikan bahwa altimeter disetting (QNH) adalah 1,020 hPa (30.12 inHg).
  • NOSIG adalah contoh dari perkiraan cuaca yang ditambahkan ke METARs code dari stasiun cuaca dengan mencantumkan waktu pada saat penambahan datanya. NOSIG berarti bahwa diharapkan tidak ada perubahan yang signifikan  dari kondisi cuaca yang dilaporkan dalam 2 jam berikutnya.

Continue reading

Design and implementation of local data mining model for short-term fog prediction at the airport


Abstract.

In this paper we will present data mining methods for short term prediction of fog in local area (international airport in Dubai in our case). We will describe data-preprocessing tasks, modeling using the decision trees, and evaluation of models on testing data. Preliminary results are plausible but still need some improvement.

1. Introduction
Peningkatan kebutuhan akan peringatan sedini mungkin tentang keadaan cuaca dengan tingkat ketepatan yang tinggi, terutama yang berhubungan dengan berbagai wilayah yang berpotensi menimbulkan kejadian yang dapat menimbulkan bahaya dan kerugian yang besar seperti lalu lintas, pertanian, pariwisata dan keamanan umum.

Kabut memiliki dampak signifikan pada aktivitas manusia (mari kita sebut saja untuk kepentingan penerbangan, lalu lintas jalan dan pelayaran) dan pentingnya peningkatan metode prediksi kabut bagi masyarakat  secara keseluruhan. Saat ini digunakan pendekatan prediksi visibilitas-mengurangi kabut dimulai dengan model meteorologi umum 3D yang dieksekusi untuk wilayah terbatas, outputnya dikonversi menggunakan rumus empiris ke visibilitas.

Hasil dari pendekatan ini sendiri tidak dapat mencapai kualitas yang memuaskan dan model meteorologi yang umum seringkali gagal untuk menangani kondisi perubahan cuaca, yang biasanya menghasilkan kabut, oleh karena itu ada beberapa  model eksperiment yang memproses hasil lebih lanjut dari model meteorologi umum.

metode kabut 1D fisik model, statistical post-processing model [2], [3]. Hasilnya kemudian ditafsirkan oleh ahli meteorologi, yang memperhitungkan lebih lanjut faktor lainnya.
terutama/ nya pengalamannya dengan situasi dan kondisi meteorologilokal, citra satelit, data real-time dari stasiun meteorologi yang menunjukkan kabut yang mulai terbentuk, atau kondisi yang akan membentuk untuk terjadinya suatu kabut, kondisi tanah di lokasi target, salju penutup, kejadian kabut terakhir, dan lain-lain
Dalam tulisan ini, saya akan menjelaskan proses data mining untuk prediksi kabut lokal

Kami telah mengimplementasikan pendekatan ini dan mengevaluasinya pada data meteorologi disekitar bandara United Arab Emirates di Dubai

Dalam bab berikutnya, kami akan menjelaskan input data dan pra-pengolahan tugas yang dilakukan untuk mempersiapkan pemodelan.

Bab ketiga menguraikan model prediksi dan bab terakhir memberikan gambaran hasil evaluasi awal.

Continue reading

Google+ Ripples


Di tengah isu tentang kegagalan Google+ menyaingi Facebook, Google+ meluncurkan sebuah fitur analytic yang dinamai dengan Google+ Ripples. Fitur ini sebenarnya memiliki kemiripan dengan fitur terbaru di Facebook insight, karena merupakan sebuah pengukuran dan visualisasi tentang keberhasilan sebuah konten. Pada dasarnya, konten yang baik di social media adalah konten yang tidak hanya dibaca tetapi juga ikut di-share kepada orang lain. Hal tersebut yang akan menyebabkan konten menjadi viral di social media dan menguntungkan bagi sebuah akun, baik itu brand atau personal. Berikut adalah 3  kemampuan dari Google+ Ripples dalam mengukur proses viral dari sebuah konten

1. Visualisasi seberapa jauh sebuah konten tersebar di Google+ dan siapa influencer yang memiliki pengaruh besar dalam membantu proses viral konten tersebut.

Pengguna dapat menelusuri dengan detail siapa-siapa saja orang yang men-share ulang konten kita dan juga kemungkinan kembali di-share ulang oleh teman-teman mereka. Semakin besar lingkaran berarti mengindikasikan semakin banyak content yang di re-share kembali. Sejauh pengamatan saya, orang yang memiliki jumlah teman yang banyak memiliki sangat besar kemungkinan untuk juga dishare ulang oleh temanya di Google+.

2. Visualisasi bagaimana viral konten terjadi melalui rentang waktu.

Google+ Ripples juga mampu memvisulisasikan dinamika penyebaran / viral dari sebuah konten selama waktu rentang tertentu. Ini juga penting untuk memahami kapan timing yang tepat di-publish dan juga melihat siapa saja influencer yang ikut menyumbangkan volume dari konten yang menjadi viral tersebut.

3. Informasi tentang Influencer, Statistik, dan Bahasa

Di bagian ini kita akan memperoleh informasi tentang ranking influencer yang memiliki pengaruh paling besar dalam membantu proses terjadinya viral dari konten kita. Kemudian ada data statistic seperti “average chain length” yang merupakan angka rata2 dari seberapa banyak derajat pertemanan yang dilalui oleh sebuah konten. Setelah itu “Longest chain” yang merupakan angka derajat pertamanan maksimum yang dicapai oleh konten. Terakhir adalah “shares/hour” berupa informasi tentang waktu yang dibutuhkan oleh konten untuk menjadi viral.

Meskipun Ripples menampilkan banyak informasi, tidak semua hal yang terjadi dapat ditampilkan. Misalnya, Ripples hanya memperlihatkan data untuk 53 hari sebelumnya. Selain itu, Ripples hanya menghitung pos yang dishare secara publik, sehingga bisa jadi ada perbedaan antara jumlah share yang Anda lihat pada pos dan jumlah pembagian yang ditampilkan Ripples.

Selain Google+ Ripples, Google+ juga memperkenalkan fitur “What’s hot?”, sebuah fitur yang hampir sama kegunaanya dengan Top Stories di Facebook dan Trending Topic di Twitter. Ada juga Creative Kit di dalam menu photo editing yang kurang lebih hampir sama kemampuanya seperti Instagram untuk mengedit foto secara instan.

Penetrasi product


Ada empat aspek penting dari sebuah pemasaran yaitu produk (product), harga (price), tempat (place), dan promosi (promotion). Jika ingin tingkat keberhasilan yang besar pada penetrasi produk anda dipasaran, keempat aspek tersebut harus dapat digabungkan menjadi sebuah penawaran tunggal terbaik.

Anda harus melakukan penelitian terhadap kebutuhan orang pada waktu itu dan pastikan bahwa produk andalah yang paling cocok dengan harga terjangkau, ditempat yang tepat dengan menggunakan strategi promosi terbaik, dan keempat aspek tersebut harus seimbang untuk hasil yang terbaik.

Bagaimana anda melakukan penelitian tersebut ? mulailah dari kecil, dengan menanyakan kepada orang-orang tentang produk tertertentu, tanyakan apakah orang-orang tersebut mau membayar dengan nilai tertentu untuk mendapatkan produk tertentu atau menikmati layanan tertentu.

Anda bisa melakukan survei melalui jaring sosial yang ada seperti facebook, twitter atau yang lainnya. Atau anda dapat pergi keluar sana dan bertemu banyak orang dijalanan dimana keakuratan datanya mungkin lebih tinggi karena anda melakukannya sendiri, kemudian bandingkan dengan data dari pesaing anda dipasar, data lengkap akan sangat membantu untuk mendukung penelitian  dan akhirnya menemukan karakteristik pelanggan. Apakah anda siap untuk yang satu ini ?

Apriori Algorithm


  1. Apriori Algorithm
Algoritma Apriori adalah algoritma paling terkenal untuk menemukan pola frekuensi tinggi.  Pola frekuensi tinggi adalah pola-pola item di dalam suatu database yang memiliki frekuensi atau support di atas ambang batas tertentu yang disebut dengan istilah minimum support.
Pola frekuensi tinggi ini digunakan untuk menyusun aturan assosiatif dan juga beberapa teknik data mining lainnya.
Algoritma Apriori dibagi menjadi beberapa tahap yang disebut iterasi atau pass. Tiap iterasi menghasilkan pola frekuensi tinggi dengan panjang yang sama dimulai dari pass pertama yang menghasilkan pola frekuensi tinggi dengan panjang satu. Di iterasi pertama ini, support dari setiap item dihitung dengan men-scan database. Setelah support dari setiap item didapat, item yang memiliki support diatas minimum support dipilih sebagai pola frekuensi tinggi dengan panjang 1 atau sering disingkat 1-itemset. Singkatan k-itemset berarti satu set yang terdiri dari k item.
Iterasi kedua menghasilkan 2-itemset yang tiap set-nya memiliki dua item. Pertama dibuat kandidat 2-itemset dari kombinasi semua 1-itemset. Lalu untuk tiap kandidat 2-itemset ini dihitung support-nya dengan men-scan database. Support disini artinya jumlah transaksi dalam database yang mengandung kedua item dalam kandidat 2-itemset. Setelah support dari semua kandidat 2-itemset didapatkan, kandidat 2-itemset yang memenuhi syarat minimum support dapat ditetapkan sebagai 2-itemset yang juga merupakan pola frekuensi tinggi dengan panjang 2.
Untuk selanjutnya pada iterasi ke-k dapat dibagi lagi menjadi beberapa bagian :

  1. Pembentukan kandidat itemset, Kandidat k-itemset dibentuk dari kombinasi (k-1)-itemset yang didapat dari iterasi sebelumnya. Satu ciri dari algoritma Apriori adalah adanya pemangkasan kandidat k-itemset yang subset-nya yang berisi k-1 item tidak termasuk dalam pola frekuensi tinggi dengan panjang k-1.
  2. Penghitungan support dari tiap kandidat k-itemset. Support dari tiap kandidat k-itemset didapat dengan men-scan database untuk menghitung jumlah transaksi yang memuat semua item di dalam kandidat k-itemset tsb. Ini adalah juga ciri dari algoritme Apriori dimana diperlukan penghitungan dengan scan seluruh database sebanyak k-itemset terpanjang.
  3. Tetapkan pola frekuensi tinggi. Pola frekuensi tinggi yang memuat k item atau k-itemset ditetapkan dari kandidat k-itemset yang support-nya lebih besar dari minimum support.
  4. Bila tidak didapat pola frekuensi tinggi baru maka seluruh proses dihentikan. Bila tidak, maka k ditambah satu dan kembali ke bagian 1.
  • Dikembangkan oleh Agrawal dan Srikant pada tahun 1994 yang merupakan cara inovatif untuk digunakan pada metode asosiasi pada data dengan skala yang besar dengan memberikan keluaran yang berisi lebih dari 1 item
  • Berbasiskan pada frekuensi atau support di atas ambang batas tertentu atau diistilahkan dengan  minimum support threshold  (siap digunakan untuk algoritma AIS)
Apriori memiliki tiga versi : Continue reading

Analisa Jaringan Komputer di RS. Angkatan Laut Dr.Mintohardjo


Disusun oleh :

Reza Junianto 13090480
Ryan Noverdiyanto 13090420
Nuryani 13090193
Erik Risnandar 13090479
Adin Syarifudin 13090419

BAB I

PENDAHULUAN

1.1   Umum

Di zaman modern seperti saat ini kemajuan teknologi khususnya Teknologi Informasi berkembang sangat cepat. Perkembangan ini sejalan dengan kemajuan Teknologi Komputer dan Jaringan Komputer yang menghubungkan seorang user ke seluruh dunia, yang lebih dikenal saat ini sebagai Sistem Jaringan atau International Networking yang disingkat Internet.

Untuk Local Area Network atau Sistem Jaringan Komputer Lokal saat ini sudah menjadi konsumsi public untuk membantu dalam kelancaran tugas – tugas dan komunikasi antara setiap user pada suatu lingkungan kerja, instansi, organisasi, sekolah, kampus, dan lain sebagainya. Oleh karena itu, maka kualitas Sumber Daya Manusia dalam mebangun suatu Sistem Jaringan menjadi sangat diperlukan.

Maka dari itu sangatlah penting bagi kami para mahasiswa Teknik Komputer untuk mempelajari pengetahuan tentang Jaringan / network ini. Dan juga sebagai modal di dalam mempersiapkan diri untuk dunia kerja kelak sesuai dengan jurusan kami.

Continue reading