PENINGKATAN MOTIVASI DAN KEMAMPUAN MENGINSTALASI SISTEM OPERASI JARINGAN MELALUI METODE DISCOVERY LEARNING PADA SISWA KELAS XI-TKJ SMK NEGERI 1 SIGLI
Notice bibliographique
Résumé
Rendahnya motivasi belajar siswa dipengaruhi oleh beberapa faktor diantaranya adalah penggunaan metode pembelajaran yang kurang tepat sehingga dapat berpengaruh terhadap motivasi dan kemampuan siswa. Penelitian ini bertujuan untuk meningkatkan motivasi dan kemampuan menginstalasi sistem operasi jaringan melalui metode discovery learning pada siswa kelas XI-TKJ SMK Negeri 1 Sigli. Penelitian ini merupakan Penelitian Tindakan Kelas (PTK) dengan prosedur pelaksanaannya melalui tahapan: perencanaan, pelaksanaan, pengamatan, dan refleksi. Penelitian ini dilaksanakan pada semester ganjil tahun pelajaran 2019/2020. Subjek dalam penelitian adalah siswa kelas XI TKJ SMK Negeri 1 Sigli yang berjumlah 28 orang. Teknik pengumpulan data melalui observasi, tes dan dokumentasi. Analisis data secara deskriptif kualitatif. Hasil penelitian menunjukkan: ketuntasan hasil belajar siswa secara klasikal pada kondisi awal 46,4%. Pada siklus I, ketuntasan siswa meningkat 14,3% dari sebelumnya yang mencapai 60,7% sehingga ketuntasan belajar secara klasikal dikatakan tidak tuntas. Pada siklus ke II terjadi peningkatan yang signifikan yaitu meningkat 35,7% sehingga menjadi 96.4%. Maka disimpulkan bahwa penggunaan metode discovery learning dapat meningkatkan motivasi dan kemampuan menginstalasi sistem operasi jaringan pada siswa kelas XI TKJ SMK Negeri 1 Sigli.Kata Kunci: Motivasi, Kemampuan, Menginstalasi, dan Metode Discovery Learning.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,007 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».