Perangkat Pembelajaran Materi Lapisan Bumi

Silabus :

    Silabus adalah rencana pembelajaran pada suatu dan atau kelompok mata pelajaran atau tema tertentu yang mencakup standar kompetensi dasar materi pokok atau pembelajaran, kegiatan pembelajaran, indikator pencapaian kompetensi untuk penilaian, alokasi waktu, dan sumber belajar (Kunandar, 2011:244). Silabus bermanfaat sebagai pedoman pengembangan perangkat pembelajaran lebih lanjut, mulai dari perencanaan, pengelolaan kegiatan pembelajaran, dan pengembangan penilaian. Untuk melihat Silabus Mata Pelajaran IPA SMP Kelas 7 klik di sini.

Membangun Literasi Lingkungan Melalui Pembelajaran IPA

A. Latar Belakang 

    Literasi lingkungan adalah sebuah kemampuan dalam memahami dengan sadar tentang lingkungan. Konsep literasi lingkungan tidak hanya sekedar mampu mendefinisikan tentang arti lingkungan, namun juga mampu menumbuhkan rasa memiliki terhadap lingkungan. Literasi lingkungan mengacu pada pengetahuan tentang mekanisme bagaimana alam bekerja dan peran manusia dalam menjaga keberlangsungan lingkungan (Meilinda, Prayitno, dan Karyanto, 2017). Definisi literasi mencakup beberapa dimensi antara lain: kognitif, afektif, sosial-budaya, sejarah-budaya, kreatif dan astetik (Kennedy dkk, 2012). 

    Seiring dengan semakin rendahnya kesadaran lingkungan pada masyarakat, upaya membangun literasi lingkungan merupakan sebuah keharusan yang tidak bisa ditawar. Hal ini seiring dengan semakin banyaknya masalah lingkungan yang muncul akibat pembalakan liar dan penggunaan sumber daya alam yang berlebihan tanpa disertai dengan proses konservasi yang berkelanjutan (Nasution, 2016) mencerminkan rendahnya kesadaran manusia terhadap lingkungan. Hal ini berdampak pada tingginya polusi udara, air, dan tanah, meningkatnya temperatur lingkungan, terjadinya banjir pada saat musim penghujan, dan sulitnya mendapatkan air bersih pada saat musim kemarau. 

    Upaya membangun literasi dapat dilakukan dengan berbagai cara, salah satunya adalah mengintegrasikan literasi lingkungan dalam pembelajaran. Hal ini sangat potensial dilakukan karena guru memiliki tanggung jawab dalam menginformasikan dan membangun kesadaran siswa bahwa pemahaman terhadap lingkungan menjadi dasar dari sikap untuk dapat memecahkan masalah lingkungan (Nasution, 2016). Melalui pembelajaran yang terintegrasi dengan lingkungan sangat memungkinkan keberhasilan dalam membangun literasi lingkungan pada siswa. 

    Permasalahan mendasar yang ingin dibahas pada tulisan ini adalah bagaimana bentuk integrasi pembelajaran IPA dengan lingkungan sehingga mampu membangun literasi lingkungan pada siswa? Tujuan dari penulisan makalah ini adalah untuk memberikan wawasan bagi guru dalam memerankan IPA sebagai materi pembelajaran yang potensial dalam membangun sikap dan perilaku. 

B. Peran Pembelajaran IPA dalam Membangun Literasi Lingkungan 

    Berbicara tentang IPA atau sains tidak bisa lepas dari apa yang selalu kita lakukan dalam kehidupan sehari-sehari. Semua proses hidup dan kehidupan selalu berkaitan dengan IPA. Mulai dari proses yang sederhana hingga proses yang kompleks, konsepsi IPA selalu hadir. Mulai dari alat-alat sederhana hingga pesawat canggih, mulai dari air hingga senyawa kompleks. Mulai dari mikroorganisme hingga tata surya dan galaksi yang sangat luar biasa.Tanpa disadari secara tidak sengaja kita sudah belajar tentang IPA saat berinteraksi dengan alam dan lingkungan. Tanpa sadar kita menemukan sesuatu dari apa yang kita lakukan walaupun kadangkala bersifat coba-coba. Seringkali kita meniru perilaku hewan dan tumbuhan sebagai representasi kehidupan karena mengandung nilai-nilai baik dan kita yakini benar. Alam memberikan inspirasi besar bagi manusia yang mau berpikir. 

    Terkait dengan proses IPA, kita sering melakukan hal-hal sederhana dalam kehidupan sehari-hari. Kita sering bertanya, bagaimana air bisa meresap naik dan dinding rumah bagian atas tampak basah dan catnya mengelupas? atau saat kita melihat sebutir telur ayam yang bisa tenggelam di air tawar dan menjadi terapung di air asin, bagaimana besi bisa berkarat? Serta masih banyak lagi pertanyaan-pertanyaan yang muncul terkait dengan fenomena-fenomena alam yang selalu kita jumpai. Namun sayang, pertanyaan-pertanyaan tersebut hanya muncul selintas dan kita abaikan karena kita anggap sebagai sesuatu yang wajar dan seperti itulah yang terjadi. Kita enggan berfikir lebih dalam tentang semua fenomena alam yang sebenarnya merupakan sumber belajar yang sangat kaya. 

Pembelajaran Inovatif

    Pembelajaran Inovatif dapat diartikan sebagai pembelajaran yang dirancang guru, yang sifatnya baru, tidak seperti biasanya dilakukan, dan bertujuan untuk memfasilitasi siswa dalam membangun pengetahuan sendiri dalam rangka proses perubahan perilaku kearah yang lebih baik sesuai dengan potensi dan perbedaan yang dimiliki siswa.

Secara garis besar , pembelajaran inovatif dapat digambarkan sebagai berikut : 

1. Siswa terlibat dalam kegiatan yang mengembangkan pemahaman dan kemampuan mereka dengan penekanan pada belajar melalui berbuat
2. Guru menggunakan berbagai alat bantu dan berbagai cara dalam membangkitkan semangat, termasuk menggunakan lingkungan sebagai sumber belajar supaya pembelajaran lebih menarik dan menyenangkan bagi siswa
3. Guru menerapkan cara mengajar yang kooperatif dan interaktif
4. Guru mendorong siswa untuk menemukan caranya sendiri dalam pemecahan suatu masalah, mengungkapkan gagasannya , dan melibatkan siswa dalam menciptakan lingkungan belajar dan sekolahnya.

ANALISIS MENGGUNAKAN NAIVE BAYES DAN RANDOM FOREST

 Pengertian Data Mining

Data mining adalah suatu proses pengerukan atau pengumpulan informasi penting dari suatu data yang besar. Proses data mining seringkali menggunakan metode statistika, matematika, hingga memanfaatkan teknologi artificial intelligence.

Nama alternatifnya yaitu Knowledge discovery (mining) in databases (KDD), knowledge extraction, data/pattern analysis, data archeology, data dredging, information harvesting, business intelligence, dan lain-lain.

Jika dilihat dilihat pada gambar dalam proses KDD tersebut, Banyak konsep dan teknik yang digunakan dalam proses data mining. Proses tersebut membutuhkan beberapa langkah untuk mendapatkan sebuah data yang diinginkan.

Dalam proses KDD tersebut termasuk melakukan pembersihan data, integrasi data, seleksi data, transformasi, penambangan data, evaluasi pola, dan presentasi pengetahuan.

Fungsi Data Mining

Data mining memiliki banyak sekali fungsi, Untuk fungsi utamanya sendiri yaitu ada dua; Yaitu fungsi descriptive dan fungsi predictive. Untuk fungsi lainnya akan dibahas di bawah

1. Descriptive

fungsi deskripsi dalam data mining adalah sebuah fungsi untuk memahami lebih jauh tentang data yang diamati. Dengan melakukan sebuah proses diharap bisa mengetahui perilaku dari sebuah data tersebut. Data tersebut itulah yang nantinya dapat digunakan untuk mengetahui karakteristik dari data yang dimaksud.

Dengan menggunakan Fungsi descriptive Data mining, Maka nantinya bisa menemukan pola tertentu yang tersembunyi dalam sebuah data. Dengan kata lain jika pola yang berulang dan bernilai itulah karakteristik sebuah data bisa diketahui.

2. Predictive

Fungsi prediksi merupakan sebuah fungsi bagaimana sebuah proses nantinya akan menemukan pola tertentu dari suatu data. Pola-pola tersebut dapat diketahui dari berbagai variabel-variabel yang ada pada data. 

Ketika sudah menemukan pola, Maka pola yang didapat tersebut bisa digunakan untuk memprediksi variabel lain yang belum diketahui nilai ataupun jenisnya.

Karena itulah fungsi satu ini dikatakan sebagai fungsi prediksi sama halnya dengan melakukan predictive analisis. Fungsi ini juga bisa digunakan untuk memprediksi sebuah variabel tertentu yang tidak ada dalam suatu data.

Sehingga fungsi ini memudahkan dan menguntungkan bagi siapapun yang memerlukan prediksi yang akurat untuk membuat hal penting tersebut menjadi lebih baik.

Fungsi Data mining yang lainnya yaitu : characterization, discrimination, association, classification, clustering, outlier and trend analysis, dll.

Multidimensional concept description, Karakterisasi dan diskriminasi, Atau berfungsi untuk Menggeneralisasikan, meringkas, dan membedakan karakteristik data, dll.

Naive Bayes

Algoritma Naive Bayes merupakan sebuah metoda klasifikasi menggunakan metode probabilitas dan statistik yg dikemukakan oleh ilmuwan Inggris Thomas Bayes. Algoritma Naive Bayes memprediksi peluang di masa depan berdasarkan pengalaman di masa sebelumnya sehingga dikenal sebagai Teorema Bayes. Ciri utama dr Naïve Bayes Classifier ini adalah asumsi yg sangat kuat (naïf) akan independensi dari masing-masing kondisi / kejadian.

Naive Bayes Classifier bekerja sangat baik dibanding dengan model classifier lainnya. Hal ini dibuktikan pada jurnal Xhemali, Daniela, Chris J. Hinde, and Roger G. Stone. “Naive Bayes vs. decision trees vs. neural networks in the classification of training web pages.” (2009), mengatakan bahwa “Naïve Bayes Classifier memiliki tingkat akurasi yg lebih baik dibanding model classifier lainnya”.

Keuntungan penggunan adalah bahwa metoda ini hanya membutuhkan jumlah data pelatihan (training data) yang kecil untuk menentukan estimasi parameter yg diperlukan dalam proses pengklasifikasian. Karena yg diasumsikan sebagai variabel independent, maka hanya varians dari suatu variabel dalam sebuah kelas yang dibutuhkan untuk menentukan klasifikasi, bukan keseluruhan dari matriks kovarians.

Tahapan dari proses algoritma Naive Bayes adalah:

1. Menghitung jumlah kelas / label.

2. Menghitung Jumlah Kasus Per Kelas

3. Kalikan Semua Variable Kelas

4. Bandingkan Hasil Per Kelas

Random Forest

Random forest (RF) adalah suatu algoritma yang digunakan pada klasifikasi data dalam jumlah yang besar. Klasifikasi random forest dilakukan melalui penggabungan pohon (tree) dengan melakukan training pada sampel data yang dimiliki. Penggunaan pohon (tree) yang semakin banyak akan mempengaruhi akurasi yang akan didapatkan menjadi lebih baik. Penentuan klasifikasi dengan random forest diambil berdasarkan hasil voting dari tree yang terbentuk. Pemenang dari tree yang terbentuk ditentukan dengan vote terbanyak. Pembangunan pohon (tree) pada random forest sampai dengan mencapai ukuran maksimum dari pohon data. Akan tetapi,pembangunan pohon random forest tidak dilakukan pemangkasan (pruning) yang merupakan sebuah metode untuk mengurangi kompleksitas ruang. Pembangunan dilakukan dengan penerapan metode random feature selection untuk meminimalisir kesalahan. Pembentukan pohon (tree) dengan sample data menggunakan variable yang diambil secara acak dan menjalankan klasifikasi pada semua tree yang terbentuk. Random forest menggunakan Decision Tree untuk melakukan proses seleksi. Pohon yang dibangun dibagi secara rekursif dari data pada kelas yang sama. Pemecahan (split) digunakan untuk membagi data berdasarkan jenis atribut yang digunakan. Pembuatan decision tree pada saat penentuan klasifikasi,pohon yang buruk akan membuat prediksi acak yang saling bertentangan. Sehingga,beberapa decision tree akan menghasilkan jawaban yang baik. Random forest merupakan salah satu cara penerapan dari pendekatan diskriminasi stokastik pada klasifikasi. Proses Klasifikasi akan berjalan jika semua tree telah terbentuk.Pada saat proses klasifikasi selesai dilakukan, inisialisasi dilakukan dengan sebanyak data berdasarkan nilai akurasinya. Keuntungan penggunaan random forest yaitu mampu mengklasifiksi data yang memiliki atribut yang tidak lengkap,dapat digunakan untuk klasifikasi dan regresi akan tetapi tidak terlalu bagus untuk regresi, lebih cocok untuk pengklasifikasian data serta dapat digunakan untuk menangani data sampel yang banyak. Proses klasifikasi pada random forest berawal dari memecah data sampel yang ada kedalam decision tree secara acak. Setelah pohon terbentuk,maka akan dilakukan voting pada setiap kelas dari data sampel. Kemudian, mengkombinasikan vote dari setiap kelas kemudian diambil vote yang paling banyak.Dengan menggunakan random forest pada klasifikasi data maka, akan menghasilkan vote yang paling baik.

Contoh Penerapan Data Mining

Penambangan data bisa digunakan di berbagai sektor, Mulai dari sektor bisnis, manajemen, keuangan dan lain sebagaianya. Berikut Contoh penerapan Data mining di beberapa sektor :

1. Market Analysis dan Management

Dalam sektor pemasaran biasanya data mining digunakan untuk Pemasaran target, manajemen hubungan pelanggan (CRM), analisis pasar, cross selling, segmentasi pasar. 

Target Pemasaran, Misalnya menemukan kelompok pelanggan “model” yang memiliki karakteristik yang sama: minat,tingkat pendapatan, kebiasaan belanja, dll. atau menentukan pola pembelian pelanggan dari waktu ke waktu.

Analysis lalu lintas pasar, Menemukan hubungan / hubungan antar produk penjualan, & prediksi berdasarkan asosiasi tersebut.

Profiling pelanggan, Jenis pelanggan apa yang membeli produk apa (pengelompokan atau klasifikasi)

Analisis kebutuhan pelanggan, Misalnya identifikasi produk terbaik untuk berbagai kelompok pelanggan, Memprediksi faktor apa yang akan menarik pelanggan baru, Penyediaan informasi ringkasan, Laporan ringkasan multidimensi, Informasi ringkasan statistik (kecenderungan dan variasi pusat data)

2. Corporate Analysis & Risk Management

Penerapan Data mining dalam sektor perusahaan biasanya digunakan untuk prediksi, retensi pelanggan, underwriting yang lebih baik, kontrol kualitas, analisis kompetitif.

Perencanaan keuangan dan evaluasi aset, Misalnya analisis dan prediksi arus kas, analisis klaim kontinjensi untuk mengevaluasi aset, analisis cross-sectional dan time series (rasio keuangan, tren analisis, dll.)

Planning Perencanaan sumber daya, Misalnya merangkum dan membandingkan sumber daya dan pengeluaran 

Persaingan, Misalnya memantau pesaing dan arah pasar, mengelompokkan pelanggan ke dalam kelas dan penetapan harga berbasis kelas prosedur, dan mengatur strategi penetapan harga di pasar yang sangat kompetitif.

3. Fraud Detection & Mining Unusual Patterns

Data mining juga berfungsi untuk mencari dan mendeteksi fraud pada sebuah sistem. Dengan menggunakan data mini maka akan bisa melihat dari jutaan transaksi yang masuk.

Pendekatan: Clustering & konstruksi model untuk penipuan, analisis outlier

Aplikasi: Layanan kesehatan, ritel, layanan kartu kredit, telecomm. Misalnya Asuransi otomatis, Pencucian uang, Asuransi kesehatan, Telekomunikasi, Analisis pola yang menyimpang dari norma yang diharapkan, Industri retail, Dll.

Langkah dalam melakukan analisis Naive Bayes dan Random Forest

1. Melakukan identifikasi tipe data

2. Melakukan pre-processing berupa data cleaning 

3. Menganalisis analisis statistika deskriptif  

4. Melakukan visualisasi data

5. Melakukan analisis feature extraction menggunakan principle component

6. Membagi data dengan metode repeated holdout dan k-fold

7. Melakukan metode klasifikasi Naïve Bayes dan random forest

8. Melakukan evaluasi model

Itulah beberapa informasi tentang naive bayes dan random forest, Kamu bisa mempelajari tentang penambangan data untuk mendapatkan dan mengumpulkan informasi/data yang berguna untuk masa depan.

STATISTIKA DESKRIPTIF DAN INFERENSIA

Statistika adalah suatu ilmu yang mempelajari tentang cara-cara pengumpulan data, penyajian daata, analisis dan interpretasi tentang data terseut. Seorang yang belajar statistika biasanya bekerja dengan data numerik yang berupa hasil cacahan ataupun hasil pengukuran, atau mungkin dengan data kategorik yang diklasifikasikan menurut kriteria tertentu. Setiap informasi yang tercatat dan terkumpul, baik numerik dan kategorik disebut pengamatan.

Metode statistika adalah prosedur-prosedur yang digunakan dalam pegumpulan, penyajian, analisis, dan penafsiran data. Metode-metode tersebut dikelompokkan dalam dua kelompok besar, yaitu:

A. Statistik Deskriptif

Statistik deskriptif adalah metode-metode yang berkaitan dengan pengumpulan dan Penyajian suatu gugus data sehingga memberikan informasi yang berguna. (Ronald E. walpole)

Seperti yang saya katakan sebelumnya, bahwa statistik deskriptif adalah metode yang sangat sederhana. Metode ini hanya mendeskripsikan kondisi dari data yang sudah anda miliki Dan menyajikannya dalam bentuk tabel diagram grafik dan bentuk lainnya yang disajikan dalam uraian-uraian singkat dan terbatas.

Statistika deskriptif memberikan informasi hanya mengenai data yang dipunyai dan sama sekali tidak menarik iferensia atau kesimpulan apapun tentang data tersebut.

B. Statistik inferensial

Statistik inferensia adalah sebuah sebuah metode yang dapat digunakan untuk menganalisis kelompok kecil data dari data induknya (sample yang diambil dari populasi) sampai pada peramalan dan penarikan kesimpulan terhadap kelompok data induknya atau populasi.

Statistika inferensial merupakan cakupan seluruh metode yang berhubungan dengan analisis sebagian data untuk kemudian sampai pada peramalan atau penarikan kesimpulan mengenai keseluruhan data induk (populasi) tersebut.

Generalisasi yang berhubungan dengan inferensia statistik selalu mempunyai sifat tidak pasti, karena kita mendasarkan pada informasi parsial yang diperoleh dari sebagian data. Sehingga yang didapat hanya peramalan.

Contoh statistika inferensia

Catatan kelulusan selama lima tahun terakhir pada sebuah universitas negeri di Sumatra Barat menunjukkan bahwa 72% diantara mahasiswa S1 lulus dengan nilai yang memuaskan. Nilai numerik 72% merupakan bentuk suatu statistika deskriptif. Jika berdasarkan ini kemudian seorang mahasiswa Teknik Industri menyimpulkan bahwa peluang dirinya akan lulus dengan nilai yang memuaskan adalah lebih dari 70%, maka mahasiswa tersebut telah melakukan inferensia statistika yang tentu saja memiliki sifat yang tidak pasti

Perbedaan antara statistik deskriptif dan statistik inferensia

Dari definisi diatas dapat kita lihat bahwa perbedaan antara statistik deskriptif dan statistik inferensia Cukup jelas.

Statistik deskriptif hanya terbatas dalam menyajikan data dalam bentuk tabel, diagram, grafik, dan besaran lain, sedangkan statistik inferensial selain mencakup statistik deskriptif juga dapat digunakan untuk melakukan estimasi dan penarikan kesimpulan terhadap populasi dari sampelnya. Untuk sampai pada penarikan kesimpulan statistik inferensia melalui tahap uji hipotesis dan uji statistik.