Jurnal Media Pratama

Media Pembelajaran Pengenalan Jenis Bola dalam lah Raga Berbasis Augmented Reality

Daffa Rafiatul Maula — 2025-01-01

ABSTRAK

Media pembelajaran memainkan peran penting dalam meningkatkan efektivitas dan efisiensi proses belajar mengajar. Namun, penggunaan metode konvensional seperti buku cetak, gambar 2D, dan deskripsi teks seringkali kurang menarik terutama pada materi yang membutuhkan visualisasi nyata seperti pengenalan jenis bola dalam pendidikan jasmani. Untuk mengatasi keterbatasan ini, teknologi Augmented Reality (AR) diperkenalkan sebagai solusi inovatif. AR menggabungkan objek nyata dan virtual secara real-time serta memungkinkan penyajian materi dalam bentuk 3D yang interaktif dan mendalam. Penelitian ini bertujuan untuk merancang dan membangun media pembelajaran berbasis AR yang memudahkan siswa dalam mengenali jenis bola serta memberikan akses belajar mandiri yang menarik kapan saja dan di mana saja. Metode yang digunakan dalam pengembangan aplikasi adalah Multimedia Development Life Cycle (MDLC) yang melibatkan enam tahap yaitu konsep, desain, pengumpulan materi, pembuatan, pengujian, dan distribusi. Hasil penelitian menunjukkan bahwa aplikasi yang dikembangkan berhasil melibatkan 23 responden dari populasi 300 siswa, dipilih menggunakan rumus Slovin dengan margin of error 20%. Berdasarkan analisis Skala Likert, sebanyak 88% responden menyatakan sangat setuju, yang mengindikasikan bahwa aplikasi ini diterima dengan baik dan dianggap efektif serta bermanfaat dalam proses pembelajaran. Aplikasi berbasis AR ini berhasil memberikan solusi inovatif dalam menyajikan materi pembelajaran yang interaktif, relevan, dan menarik, sehingga dapat meningkatkan kualitas dan motivasi belajar siswa, terutama pada materi yang memerlukan visualisasi nyata.

ABSTRACT

Learning media plays an important role in improving the effectiveness and efficiency of the teaching and learning process. However, the use of conventional methods such as printed books, 2D images, and text descriptions is often less attractive especially on materials that require real visualization such as the introduction of ball types in physical education. To overcome this limitation, Augmented Reality (AR) technology is introduced as an innovative solution. AR combines real and virtual objects in real-time and allows the presentation of material in 3D that is interactive and immersive. This research aims to design and build AR-based learning media that makes it easier for students to recognize ball types and provide access to interesting self-learning anytime and anywhere. The method used in application development is Multimedia Development Life Cycle (MDLC) which involves six stages namely concept, design, material collection, creation, testing, and distribution. The results showed that the developed application successfully involved 23 respondents from a population of 300 students, selected using the Slovin formula with a margin of error of 20%. Based on Likert Scale analysis, 88% of respondents strongly agreed, indicating that this application was well received and considered effective and useful in the learning process. This AR-based application successfully provides an innovative solution in presenting interactive, relevant, and interesting learning materials, so as to improve the quality and motivation of student learning, especially on materials that require real visualization.

Gaussian Naïve Bayes dengan Harmonic Mean untuk Klasifikasi Hasil Produksi Gula Merah

Jaoda Tifalliyu Haqquesda — 2024-12-02

ABSTRAK

Industri gula merah pada CV Muara Abadi termasuk salah satu industri makanan yang ada di daerah kabupaten Banyumas. Hasil produksi gula merah yang dimiliki oleh CV tersebut belum diklasifikasi menjadi kelas naik atau turun sehingga CV masih belum dapat mengetahui naik atau turunnya hasil produksi yang didapat untuk minggu berikutnya. Permasalahan tersebut diperlukan adanya teknik data mining dalam pengklasifikasian hasil produksi gula merah untuk membantu CV agar mengetahui naik atau turunnya hasil produksi gula merah pada minggu berikutnya dan agar dapat mengetahui fluktuatif hasil produksi per tahun. Algoritma klasifikasi yang digunakan dalam teknik data mining yaitu algoritma Naïve Bayes dengan Harmonic Mean. Algoritma Naïve Bayes memiliki keuntungan dalam klasifikasi kelas yaitu hanya membutuhkan jumlah data pelatihan (training data) yang sedikit pada saat proses perhitungan. Data set yang digunakan merupakan data hasil produksi dari bulan Juli 2019 hingga bulan April 2022 yang telah diakumulasi per minggu sebanyak 136 data set. Data tersebut nantinya akan dibagi (split) terlebih dahulu menjadi data training dan data testing. Persentase perbandingan data yang digunakan yaitu 90% data training dan 10% data testing. Hasil yang diperoleh dari proses perhitungan klasifikasi hasil produksi yang telah dilakukan menghasilkan nilai accuracy sebesar 71,43% dengan nilai precision sebesar 100,00% dan recall sebesar 33,33%.

ABSTRACT

The brown sugar industry at CV Muara Abadi is one of the food industries in the Banyumas regency area. The brown sugar production results owned by the CV have not been classified into rising or falling classes so that the CV is still unable to know the rise or fall of the production results obtained for the next week. This problem requires a data mining technique in classifying brown sugar production results to help CVs to find out the rise or fall of brown sugar production results in the following week and to be able to find out the fluctuating production results per year. The classification algorithm used in data mining techniques is the x algorithm with Harmonic Mean. The Naïve Bayes algorithm has the advantage of class classification, which only requires a small amount of training data during the calculation process. The data set used is production data from July 2019 to April 2022 which has been accumulated per week as many as 136 data sets. The data will later be divided (split) first into training data and testing data. The percentage of data comparison used is 90% training data and 10% testing data. The results obtained from the calculation process of the classification of production results that have been carried out produce an accuracy value of 71.43% with a precision value of 100.00% and recall of 33.33%.

Perbandingan Prediksi Tinggi Muka Air pada Pos Floodwaybridge di Kabupaten Lamongan Menggunakan Metode multiplicative Time Series dan Exponential Smoothing

Dimara Kusuma Hakim — 2024-12-03

ABSTRAK

Tinggi muka air sungai merupakan salah satu parameter penting dalam pemantauan dan pengelolaan banjir di daerah aliran sungai. Kemampuan untuk memprediksi tinggi muka air sungai dengan akurat dan tepat waktu menjadi faktor krusial dalam upaya mitigasi risiko banjir. Dalam konteks ini, penelitian ini bertujuan untuk mengembangkan metode prediksi tinggi muka air sungai menggunakan metode time series dengan menggunakan data manual rata-rata pada pos Floodwaybridge di Kabupaten Lamongan.Penelitian ini bertujuan untuk membuat peramalan tinggi muka air dan membandingkan metode time Series multiplicative dengan metode exponential smoothing untuk prediksi tinggi muka air pada Pos Floodwaybridge di Kabupaten Lamongan . Data yang digunakan dalam penelitian ini meliputi data tinggi muka air dari manual rata-rata selama periode waktu tertentu. Metode time series multiplicative dan exponential smoothing digunakan untuk membuat prediksi tinggi muka air pada manual rata-rata. Hasil penelitian adalah prediksi kenaikan dan penurunan tinggi muka air pada Pos Floodwaybridge di Kabupaten Lamongan serta perbandingan akurasi metode yang digunakan unruk memprediksi tinggi muka air , bahwa penggunaan Metode exponential smoothing memberikan hasil yang lebih akurat dibandingkan dengan prediksi menggunakan metode time Series multiplicative. Nilai akurasi prediksi mencapai 7,8%, sedangkan pada metode time Series multiplicative hanya mencapai 12,6%.

ABSTRACT

Lamongan Regency. This study aims to make water level forecasting and compare the multiplicative time series method with the exponential smoothing for prediction of water level at Floodwaybridge Post in Lamongan Regency. The data used in this research includes water level data from the average manual over a certain period of time. Multiplicative time series and exponential smoothing methods are used to predict the water level in the average manual. The results of the study are the prediction of the rise and fall of the water level at the Floodwaybridge Post in Lamongan Regency as well as a comparison of the accuracy of the methods used to predict the water level, that the use of the exponential smoothing method gives more accurate results compared to predictions using the multiplicative time series method. The prediction accuracy value reaches 7.8%, while the multiplicative time series method only reaches 12.6%.

Aplikasi Findxdatatrace untuk Open Source Intelligence (OSINT)

Mukhlis Prasetyo Aji — 2024-12-02

ABSTRAK

DataTrace Forensics Lab adalah perusahaan yang bergerak di bidang forensik digital, keamanan siber, dan intelijen dengan pengalaman lebih dari satu dekade. Perusahaan ini telah melayani lebih dari 150 klien di berbagai sektor, menyediakan layanan seperti pengaturan laboratorium forensik digital, investigasi perangkat seluler, analisis malware, serta pengembangan solusi inovatif berbasis teknologi. Sebagai respons terhadap meningkatnya kebutuhan akan metode pengumpulan informasi yang efisien dalam menghadapi ancaman siber yang semakin kompleks, perusahaan berkolaborasi dengan penulis untuk mengembangkan aplikasi FINDxDataTrace. Aplikasi ini dirancang untuk mendukung kegiatan Open Source Intelligence (Osint), yaitu metode pengumpulan, analisis, dan penyampaian informasi dari sumber-sumber publik yang tersedia secara legal. Osint memiliki peran krusial dalam forensik digital karena kemampuannya menyediakan data yang relevan untuk investigasi, mitigasi risiko, dan perencanaan keamanan. Dalam FINDxDataTrace, platform ini tidak hanya mendukung Osint tetapi juga mengintegrasikan jenis intelijen lain, seperti Geospatial Intelligence (Geoint), Social Media Intelligence (Socmint), Human Intelligence (Humint), dan Cyber Intelligence (Cybint). Aplikasi ini menawarkan solusi praktis dan efisien bagi profesional forensik digital dalam melakukan tugasnya. Dalam perancangan ini, metode air terjun (Waterfall Model) digunakan, ini adlah pendekatan klasik dalam pengembangan perangkat lunak yang menggambarkan metode pengembangan linier dan berurutan. Metode Waterfall dipilih untuk proyek ini karena pendekatannya yang linear, di mana setiap tahap harus selesai sebelum tahap berikutnya dimulai.

ABSTRACT

PT DataTrace Forensics Lab is a company engaged in digital forensics, cybersecurity and intelligence with more than a decade of experience. The company has served more than 150 clients in various sectors, providing services such as digital forensics laboratory setup, mobile device investigation, malware analysis, as well as the development of innovative technology-based solutions. In response to the growing need for efficient information collection methods in the face of increasingly complex cyber threats, the company collaborated with the author to develop the FINDxDataTrace aplikasi. The aplikasi is designed to support Open Source Intelligence (Osint) activities, which are methods of collecting, analyzing, and delivering information from legally available public sources. Osint plays a crucial role in digital forensics due to its ability to provide relevant data for investigations, risk mitigation, and security planning. In FINDxDataTrace, the platform not only supports Osint but also integrates other types of intelligence, such as Geospatial Intelligence (Geoint), Social Media Intelligence (Socmint), Human Intelligence (Humint), and Cyber Intelligence (Cybint). This aplikasi offers a practical and efficient solution for digital forensics professionals in performing their duties. In this design, the waterfall method (Waterfall Model) is used, this is a classic approach in software development that describes a linear and sequential development method. The Waterfall method was chosen for this project because of its linear approach, where each stage must be completed before the next stage begins.