Imamah Imamah

Imamah Imamah

Auto-generated profile, based on publicly available information

Imamah Imamah

Universitas Trunojoyo Madura

Research Focus & Metrics

Academic Career Length

5Years (2022-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
5 July 2023 in Journal of Education Research
Verified
Journal Article
Open access
PDF file
HAHeni Afipah
Heni Afipah
IIImamah Imamah
Imamah Imamah
Dalam proyek penguatan pelajar Pancasila, terdapat beberapa dimensi yang penting untuk diperhatikan. Dimensi-dimensi ini mencakup aspek-aspek karakter yang harus dipertimbangkan dalam upaya memperkuat pemahaman dan pengamalan nilai-nilai Pancasila oleh peserta didik. Dimensi karakter yang pertama adalah Beriman dan Bertakwa , Mandiri, Bergotong-royong, Berkebinekaan Global, Bernalar Kritis dan Kreatif. Pendidikan karakter sebaiknya dimulai sejak usia dini. Penelitian ini bertujuan untuk mengetahui implementasi Projek Penguatan Profil Pelajar Pancasila (P5) dan dampak implementasinya terhadap enam dimensi karakter profil pelajar di PAUD. Metode penelitian yang digunakan yaitu kualitatif jenis studi kasus dengan teknik pengumpulan data menggunakan observasi, wawancara, dan dokumentasi. Hasil penelitian menunjukan bahwa implementasi P5 pada TK Sejahtera sudah dilaksanakan pada tema “aku sayang bumi” dan “imajinasiku”. Setiap tema yang dilaksanakan melewati tahap permulaan, pengembangan dan penyimpulan. Secara Umum dimulai dari perencanaan, pelaksanaan dan penyimpulan projek berjalan lancar dan berdampak positif terhadap enam dimensi karakter profil pelajar Pancasila. Dengan demikian, projek penguatan profil pelajar Pancasila dapat membiasakan siswa untuk memiliki dimensi karakter anak usia dini serta dapat menjadi salah satu solusi dalam menghasilkan generasi Indonesia yang berkarakter.

12 August 2024 in IEEE Access
Verified
Journal Article
Open access
IMImamah
Imamah
UYUmi Laili Yuhana
Umi Laili Yuhana
ADArif Djunaidy
Arif Djunaidy
MPMauridhi Hery Purnomo
Mauridhi Hery Purnomo
The importance of personalized learning paths is acknowledged as an effective solution for students with diverse learning characteristics. However, implementing learning paths in real classrooms presents challenges, particularly in assigning teachers to create a unique learning path for each student, considering their diverse preferences and the difficulty levels of learning objects, which will be time-consuming. To overcome manual learning path design, we propose an ant colony to create automatic, personalized learning paths based on user preferences and the difficulty level of the learning objects. Furthermore, we have implemented a system capable of generating dynamic personalized learning paths based on knowledge preferences to address issues related to the over- and under-prediction of student ability. Additionally, the system has the ability to automatically classify learning objects according to their difficulty levels, guaranteeing regular updates. We compared user experience perception and the impact of personalized learning paths with conventional e-learning to evaluate the effectiveness of the proposed method. The experiments showed that integrating personalized learning paths resulted in an impressive 71% increase in student performance. In comparison, conventional e-learning only improved student performance by 54%. These findings suggest that the proposed system presents promising opportunities for enhanced learning outcomes.

10 April 2022 in Jurnal Edukasi dan Penelitian Informatika (JEPIN)
Verified
Journal Article
Open access
PDF file
UYUmi Laili Yuhana
Umi Laili Yuhana
APAyu Purwarianti
Ayu Purwarianti
IIImamah Imamah
Imamah Imamah
Soal adalah susunan pertanyaan yang dibuat untuk menguji keberhasilan dari pembelajaran siswa. Bagi manusia, membedakan soal penjumlahan dengan pengurangan sangat mudah, namun tidak halnya dengan mesin. Mesin membutuhkan pembelajaran untuk mengenali soal cerita apakah termasuk penjumlahan atau pengurangan. Kebutuhan mesin untuk mengenali soal cerita biasanya diterapkan dalam pembuatan sistem E-learning. Berdasarkan dari masalah ini, maka digunakan metode gradient boosting untuk mengklasifikasikan soal cerita. Kelas target atau label dari klasifikasi terdiri dari empat kelas yaitu penjumlahan, pengurangan, perkalian, pembagian, dan campuran. Soal cerita diambil dari buku matematika untuk kelas tiga sampai kelas enam Sekolah Dasar. Guru Sekolah Dasar (SD) melabeli soal cerita, dan dijadikan sebagai dataset untuk pembelajaran dari machine learning. Dataset kemudian di preprocessing, ekstraksi fitur dengan menggunakan TF-IDF dan selanjutnya dibagi menjadi data training dan data testing dengan menggunakan K-fold cross validation dengan nilai K[5,10,20]. Performa metode gradient boosting dalam mengklasifikasikan soal matematika diukur dengan menggunakan akurasi. Akurasi didapatkan dari hasil perbandingan dari label yang diprediksi oleh machine learning dengan label dari pakar yaitu guru SD. Berdasarkan hasil percobaan pada 500 data soal cerita, diperoleh hasil akurasi terbaik sebesar 75,8% pada saat K=20 dengan hyperparameter gradient boosting N_estimator=100, max_depth=9 dan learning rate=0,15.

20 December 2022 in Jurnal Edukasi dan Penelitian Informatika (JEPIN)
Verified
Journal Article
Open access
PDF file
FRFika Hastarita Rachman
Fika Hastarita Rachman
IIImamah Imamah
Imamah Imamah
Empati merupakan kemampuan seseorang untuk turut merasakan penderitaan orang lain. Pandemi covid yang melanda dunia, telah menyisakan banyak kehilangan dan keterpurukan. Penelitian ini bertujuan untuk mengetahui emosi masyarakat terhadap penderitaan sesama menggunakan pendekatan sentimen analisis. Dataset yang digunakan adalah komentar masyarakat di Twitter tentang pandemi Covid dalam rentang waktu November-Desember 2020. Data diambil dengan teknik crawling menggunakan library twint, didapatkan data sebanyak 2386 komentar, namun komentar yang mengandung empati hanya sebanyak 984 data. Dataset empati kemudian dilabeli oleh tiga orang menggunakan teknik majority voting. Hasil pengukuran dataset empati menunjukkan 55,7% komentar masyarakat indonesia mengandung empati positif (berempati), 37,4% empati negatif (tidak berempati), dan 6,9% netral. Untuk membentuk model yang dapat mendeteksi empati secara otomatis, maka digunakan dataset empati sebanyak 400, dengan 200 kelas positif dan 200 kelas negatif, kelas netral tidak digunakan pada penelitian ini karena jumlah data sangat sedikit. Metode machine learning yang digunakan untuk membangun model adalah Support Vector Machine (SVM) dengan metode ekstraksi fitur reliefF. Berdasarkan penelitian yang dilakukan, akurasi sistem dengan metode SVM tanpa seleksi fitur ReliefF adalah 83%. Sedangkan akurasi yang diperoleh sistem dengan seleksi fitur ReliefF mencapai 93% dengan penggunaan 85% fitur dari total keseluruhan fitur.

18 September 2026 in MethodsX
Verified
Journal Article
Open access
YKYeni Kustiyahningsih
Yeni Kustiyahningsih
EREza Rahmanita
Eza Rahmanita
MIMiswanto
Miswanto
IMImamah
Imamah
HPHerdiyanti Fifin Purwaningrum
Herdiyanti Fifin Purwaningrum
JPJaka Purnama
Jaka Purnama