Imamah Imamah
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Previous Organizations / Institutes
The organizations / institutes from the scholar's other articles in the past ten years
Imamah Imamah has a total of 15 co-authors. Here are the top co-authors by number of shared publications:
- Arif Djunaidy
Department of Information Systems, Institut Teknologi Sepuluh Nopember, Surabaya, Indonesia
1 shared publication - Ayu Purwarianti
Institut Teknologi Bandung
1 shared publication - Bain Khusnul Khotimah
Universitas Trunojoyo Madura
1 shared publication - Deshinta Arrova Dewi
Center for Data Science and Sustainable Technologies, INTI International University, Nilai, Malaysia
1 shared publication - Eza Rahmanita1 shared publication
Fika Hastarita Rachman
Universitas Trunojoyo Madura
1 shared publication
Latest Publications
- Open Access
- 12 August 2024
- Published by Institute of Electrical and Electronics Engineers (IEEE) in IEEE Access
- Vol. 12, 144193-144207
Development of Dynamic Personalized Learning Paths Based on Knowledge Preferences and the Ant Colony Algorithm
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.
- 12 August 2024
- Published by Institute of Electrical and Electronics Engineers (IEEE) in IEEE Access
- Vol. 12, 144193-144207
Open AccessDevelopment of Dynamic Personalized Learning Paths Based on Knowledge Preferences and the Ant Colony Algorithm
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.
- Open Access
- 5 July 2023
- Published by Perkumpulan Pengelola Jurnal PAUD Indonesia in Journal of Education Research
- Vol. 4 (3) , 1534-1542
Implementasi Projek Penguatan Profil Pelajar Pancasila terhadap Enam Dimensi Karakter di PAUD
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.
- 5 July 2023
- Published by Perkumpulan Pengelola Jurnal PAUD Indonesia in Journal of Education Research
- Vol. 4 (3) , 1534-1542
Open AccessImplementasi Projek Penguatan Profil Pelajar Pancasila terhadap Enam Dimensi Karakter di PAUD
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.
- Open Access
- 20 December 2022
- Published by Tanjungpura University in Jurnal Edukasi dan Penelitian Informatika (JEPIN)
- Vol. 8 (3) , 492-499
Pendekatan Data Science untuk Mengukur Empati Masyarakat terhadap Pandemi Menggunakan Analisis Sentimen dan Seleksi Fitur
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.
- 20 December 2022
- Published by Tanjungpura University in Jurnal Edukasi dan Penelitian Informatika (JEPIN)
- Vol. 8 (3) , 492-499
Open AccessPendekatan Data Science untuk Mengukur Empati Masyarakat terhadap Pandemi Menggunakan Analisis Sentimen dan Seleksi Fitur
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.
- Open Access
- 10 April 2022
- Published by Tanjungpura University in Jurnal Edukasi dan Penelitian Informatika (JEPIN)
- Vol. 8 (1) , 134-139
Tuning Hyperparameter pada Gradient Boosting untuk Klasifikasi Soal Cerita Otomatis
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.
- 10 April 2022
- Published by Tanjungpura University in Jurnal Edukasi dan Penelitian Informatika (JEPIN)
- Vol. 8 (1) , 134-139
Open AccessTuning Hyperparameter pada Gradient Boosting untuk Klasifikasi Soal Cerita Otomatis
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.