PEMBELAJARAN/LEARNING

Pembelajaran dan pengamatan

Pendidikan adalah suatu kegiatan yang komplek dan menuntut penanganan untuk meningkatkan kualitasnya, baik yang berupa menyeluruh maupun pada beberapa komponen tertentu karena dalam kegiatan pembelajaran terdiri dari berbagai variable pokok yang saling berkaitan yaitu kurikulum, guru, pembelajaran, dan peserta.

Dimana semua komponen ini bertujuan untuk kepentingan peserta didik. Berdasarkan hal tersebut pendidik harus mampu menggunakan model pembelajaran agar peserta didik dapat melakukan kegiatan belajar. Hal ini dilatar belakangi bahwa beberapa peserta didik bukan hanya sebagai objek tetapi juga merupakan subjek dalam pembelajaran.

Peserta didik harus disiapkan sejak dini agar ia mampu untuk bersosialisasi dengan lingkungannya dan gerakan baru sehingga berbagai jenis pembelajaran dapat digunakan oleh pendidik untuk meningkatkan kualitas belajar dan mengajar, seperti cara guru mengajar dan cara peserta didik belajar.

Dosen merupakan suatu profesi yang sangat unik. Selain harus memiliki jiwa pengabdian yang tinggi ia juga memiliki tanggung jawab yang besar pada masa depan peserta didik. Oleh karena itu, dosen harus selalu belajar, baik untuk ilmu pengetahuan dan keterampilan pembelajaran, maupun belajar memahami aspek psikologis kemanusiaan.

Seorang guru juga harus mampu memahami bagaimana cara peserta didiknya belajar. Jika seorang guru telah mampu menguasai teknik yang dapat meningkatan semangat keaktifan anak didiknya dalam belajar, maka dunia pendidikan akan semakin efektif dan profesional.

Bentuk Pembelajaran:

1.METODE CERAMAH

2. METODE DISKUSI

3. METODE DEMONSTRASI

4. METODE CERAMAH PLUS

5. METODE RESITASI

6. METODE EKSPERIMENTAL

7. METODE STUDY TOUR (KARYA WISATA)

8. METODE LATIHAN KETERAMPILAN

9. METODE PENGAJARAN BEREGU

10. METODE PEER TEACHING

Pembelajaran INDUKTIF

Dalam teori probabilitas dan statistika, Pengertian Teorema Bayes adalah teorema yang digunakan untuk menghitung peluang dalam suatu hipotesis, Teorema bayes dikenalkan oleh ilmuan yang bernama Bayes yang ingin memastikan keberadaan Tuhan dengan mencari fakta di dunia yang menunjukan keberadaan Tuhan. Bayes mencari fakta keberadaan tuhan didunia kemudian mengubahnya dengan nilai Probabilitas yang akan dibandingkan dengan nilai Probabilitas. teorema ini juga merupakan dasar dari statistika Bayes yang memiliki penerapan dalam ilmu ekonomi mikro, sains, teori permain, hukum dan kedokteran.

Teorema Bayes akhirnya dikembangkan dengan berbagai ilmu termasuk untuk penyelesaian masalah sistem pakar dengan menetukan nilai probabilitas dari hipotesa pakar dan nilai evidence yang didapatkan fakta yang didapat dari objek yang diagnosa. Teorama Bayes ini membutuhkan biaya komputasi yang mahal karena kebutuhan untuk menghitung nilai probabilitas untuk tiap nilai dari perkalian kartesius. penerapan Teorema Bayes untuk mencari penerapan dinamakan inferens Bayes

Teori Dempster-Shafer ( DST ) merupakan teori matematika dari evidence. Teori tersebut dapat memberikan sebuah cara untuk menggabungkan evidence dari beberapa sumber dan mendatangkan/memberikan tingkat kepercayaan (direpresentasikan melalui fungsi kepercayaan) dimana mengambil dari seluruh evidence yang tersedia. Teori tersebut pertama kali dikembangkan oleh Arthur P. Dempster and Glenn Shafer.

        Dalam sebuah akal yang sempit, definisi teori Dempster-Shafer mengacu pada konsepsi original dari pada teori oleh Dempster dan Shafer. Bagaimanapun, merupakan sebuah teori yang biasa digunakan untuk mendefinisikan akal secara lebih luas dari beberapa pendekatan umum serupa, sebagaimana telah diadaptasi untuk beberapa jenis dari situasi. Pada situasi tertentu , banyak penulis telah menawarkan aturan berbeda untuk menggabungkan barang bukti, biasanya dengan melihat kembali dan menangani konflik barang bukti secara lebih baik.

  

Pohon keputusan Pembelajaran

Pohon keputusan adalah salah satu metode klasifikasi yang paling populer karena mudah untuk diinterpretasi oleh manusia. Pohon keputusan adalah model prediksi menggunakan struktur pohon atau struktur berhirarki. Konsep dari pohon keputusan adalah mengubah data menjadi pohon keputusan dan aturan-aturan keputusan. Manfaat utama dari penggunaan pohon keputusan adalah kemampuannya untuk mem-break down proses pengambilan keputusan yang kompleks menjadi lebih simpel sehingga pengambil keputusan akan lebih menginterpretasikan solusi dari permasalahan. Pohon Keputusan juga berguna untuk mengeksplorasi data, menemukan hubungan tersembunyi antara sejumlah calon variabel input dengan sebuah variabel target.

Pohon keputusan memadukan antara eksplorasi data dan pemodelan, sehingga  sangat bagus sebagai langkah awal dalam proses pemodelan bahkan ketika dijadikan sebagai model akhir dari beberapa teknik lain. Sering terjadi tawar menawar antara keakuratan model dengan transparansi model. Dalam beberapa aplikasi, akurasi dari sebuah klasifikasi atau prediksi adalah satu-satunya hal yang ditonjolkan, misalnya sebuah perusahaan direct mail membuat sebuah model yang akurat untuk memprediksi anggota mana yang berpotensi untuk merespon permintaan, tanpa memperhatikan bagaimana atau mengapa model tersebut bekerja.

   

Pembelajaran ensemble

Sebuah pengklasifikasi ensemble adalah himpunan beberapa pengklasifikasi, di mana keputusan dari tiap pengklasifikasi dikombinasikan dengan suatu cara (pada umumnya menggunakan voting dengan atau tanpa menggunakan bobot) untuk mengklasifikasikan data baru (Dietterich, 2001).

Kerangka kerja dasar sebuah ensemble. Pengklasifikasi ensemble tersebut dibuat dengan menggunakan data pelatihan untuk membangun beberapa pengklasifikasi dasar yang kemudian digabungkan untuk memperoleh hasil klasifikasi akhir.

Sebuah pengklasifikasi ensemble akan menjadi pengklasifikasi yang efektif apabila memiliki tingkat akurasi klasifikasi yang tinggi di mana masing-masing hasil prediksinya tidak saling berkaitan (Bauer dan Kohavi, 1999).

Beberapa metode untuk membuat ensemble, antara lain pelatihan pengklasifikasi dasar pada subset data pelatihan yang berbeda (misalnya bagging dan boosting), penggunaan algoritma pembelajaran yang berbeda, melakukan randomisasi, dan pelatihan pada feature subset yang berbeda (Dietterich, 2001).

ppt:
https://drive.google.com/open?id=1g6O3KWSVncz6r8b9-GGm0TQ8I3cNZHn4

Referensi :

https://sites.google.com/a/std.stei.itb.ac.id/sulhan/pembelajaran-mesin-lanjut/pembelajaran-pohon-keputusan-decision-tree

http://belajarpsikologi.com/macam-macam-metode-pembelajaran/