Article Per Year (5 Year)
p-Index From 2019 - 2024
0.444
P-Index
This Author published in this journals
All Journal Pythagoras: Jurnal Matematika dan Pendidikan Matematika Jurnal Riset Pendidikan Matematika
Sri Andayani
Program Studi Matematika, Universitas Negeri Yogyakarta
Decision Sciences, Operations Research & Management Education Mathematics

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Keefektifan pendekatan STEM berbantuan Wolfram Alpha pada pembelajaran matematika ditinjau dari motivasi dan kemandirian belajar Atin Argianti; Sri Andayani
Jurnal Riset Pendidikan Matematika Vol 8, No 2: November 2021
Publisher : Program Studi Pendidikan Matematika Program Pascasarjan Universitas Negeri Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21831/jrpm.v8i2.35263

Abstract

Penelitian ini bertujuan untuk mendeskripsikan keefektifan pendekatan STEM berbantuan Wolfram Alpha ditinjau dari motivasi dan kemandirian belajar. Penelitian ini merupakan penelitian eksperimen semu dengan populasi seluruh siswa kelas VIII di salah satu SMP Negeri di Pati, Jawa Tengah, Indonesia. Sampel penelitian ini adalah siswa di satu kelas VIII yang dibagi menjadi 2, yaitu kelas eksperimen (kelompok siswa bernomor absen ganjil) dan kelas kontrol (kelompok siswa bernomor absen genap) dengan banyaknya siswa berturut-turut 16 dan 15 siswa. Data dikumpulkan menggunakan angket motivasi dan kemandirian belajar. Analisis data menggunakan uji t untuk mendeskripsikan keefektifan pendekatan STEM berbantuan Wolfram Alpha ditinjau dari masing-masing variabel. Hasil penelitian menunjukkan bahwa (1) pendekatan STEM berbantuan Wolfram Alpha efektif ditinjau dari motivasi, dan (2) pendekatan STEM berbantuan Wolfram Alpha efektif ditinjau dari kemandirian belajar. Hasil analisis keefektifan pendekatan STEM berbantuan Wolfram Alpha ditinjau dari motivasi ditunjukkan dari nilai t variabel motivasi adalah 4,258 dan nilai signifikan motivasi setelah perlakuan adalah 0,001 kurang dari 0,05. Keefektifan pendekatan STEM berbantuan Wolfram Alpha ditinjau dari kemandirian belajar dibuktikan dari nilai t variabel kemandirian adalah 5,030 dan nilai signifikannya 0,000 kurang dari 0,05.AbstractThis study aims to reveal the effectiveness of Wolfram Alpha-assisted STEM approach in terms of motivation and self-regulated learning. This study was quasi-experimental research. The population were all grade VIII students of a State Junior High School in Pati, Central Java, Indonesia. The sample were students of a class in grade VIII, which is divided into two groups, namely the experimental group (odd-numbered students) and the control group (even-numbered students) with 16 and 15 participating students respectively. The data were collected using questionnaires on motivation and self-regulated learning. The data were analyzed using the t-test to describe the effectiveness of Wolfram Alpha-assisted STEM approach. The result shows that: (1) the Wolfram Alpha-assisted STEM approach is effective in improving motivation; and (2) the Wolfram Alpha-assisted STEM approach is effective in improving self-regulated learning. The results of the analysis of the Wolfram Alpha-assisted STEM approach is effective in terms of motivation with a score of 4.258 and with the significance value of motivation after treatment being 0.001, which is less than 0.05. The Wolfram Alpha-assisted STEM approach is effective in terms of self-regulated learning with a score of 5.030 and with the significance value of 0.000, which is less than 0.05.
Model Identifikasi Singkong Berdasarkan Warna untuk Tepung Mocaf Berbasis Citra Digital Sri Andayani; Ega Noviastuti
Pythagoras: Jurnal Matematika dan Pendidikan Matematika Vol 17, No 1: June 2022
Publisher : Department of Mathematics Education, Faculty of Mathematics and Natural Sciences, UNY

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21831/pythagoras.v17i1.34994

Abstract

Penelitian ini bertujuan menghasilkan model untuk mengidentifikasi mutu singkong berdasarkan warna sebagai bahan pembuatan tepung mocaf dengan berbasis citra digital.  Metode yang digunakan meliputi beberapa tahap pengolahan citra digital antara lain preprocessing dan ekstraksi ciri. Preprocessing meliputi cropping, resizing, dan grayscaling, sedangkan ekstraksi ciri meliputi segmentasi threshold dan binerisasi. Data penelitian menggunakan 118 citra singkong yang dibagi menjadi 72 citra data latih dan 46 data uji. Hasil penelitian berupa model identifikasi yang mendasarkan pada dua hal berikut: a) menggunakan ekstraksi ciri yang meliputi segmentasi threshold dengan nilai ambang 170 dan binerisasi dengan nilai ambang 75; dan b) penentuan mutu singkong dilakukan berdasarkan perbandingan luas piksel putih hasil segmentasi threshold dengan luas piksel putih hasil binerisasi. Singkong dikatakan bermutu baik jika citranya yang memiliki persentase luas piksel warna putih lebih besar atau sama dengan 65%. Model yang dihasilkan memberikan akurasi sebesar 94% terhadap 72 data latih dan sebesar 95% terhadap 46 data uji. Cassava Identification Model Based on Color for Mocaf Flour Using Digital ImageAbstractThis study aims to produce a model to identify the quality of cassava-based on color as an ingredient for making mocaf flour based on digital images. The procedure includes preprocessing and feature extraction among other steps of digital image processing. Preprocessing includes cropping, resizing, and grayscaling, while feature extraction includes threshold segmentation and binaryization. The data are 188 cassava images consisting of 72 training data images and 46 test data. The result of the study is an identification model based on the following two things: a) utilizing feature extraction that uses threshold segmentation with a threshold value of 170 and binaryization with a threshold value of 75; and b) determining of the quality of cassava is carried out based on the ratio of the area of white pixels produced by threshold segmentation to the area of white pixels produced by binaryization. If 65% or more of the pixels in the image are white, the cassava has a good quality. The resulting model provides an accuracy of 94% for 72 training data and 95% for 46 test data.
Co-Authors Atin Argianti Ega Noviastuti