Kode/Nama Rumpun Ilmu : 123/Ilmu Komputer
USULAN
PENELITIAN DOSEN PEMULA
USULAN PERLUASAN METODE K-MEAN UNTUK MEMPREDIKSI DATA YANG TIDAK LENGKAP PADA
DATAMINING
TIM PENGUSUL
ASLAN ALWI, S.Si., M.Cs/0924127201 ELLISIA KUMALASARI, S.Pd., M.Pd/0405098502
JURUSAN INFORMATIKA FAKULTAS TEKNIK
UNIVERSITAS MUHAMMADIYAH PONOROGO
APRIL 2015
14.880.000,-
RINGKASAN
Penelitian ini secara umum adalah untuk menemukan sebuah mesin belajar (machine learning) yang dapat melakukan prediksi atau perbaikan terhadap data yang tidak lengkap. Data yang tidak lengkap dapat berarti data tersebut corrupt atau rusak sehingga ketika masuk dalam proses datamining data yang rusak itu akan dibuang sebagai bagian dari tahapan cleaning data. Akan tetapi jika saja kita dapat membuat mesin datamining yang dapat memperbaiki data yang rusak maka itu berarti menjadi sebuah kelebihan bagi mesin datamining. Sebagai langkah permulaan dalam pembuatan mesin ini, yaitu dengan memperluas algoritma k-mean sehingga algoritma itu nantinya tidak saja dapat melakukan klasifikasi atau prediksi akan tetapi dia juga dapat memperbaiki data yang rusak. Perumusan teori untuk memperluas algoritma ini didahului dengan mendefinisikan asumsi-asumsi dasar, yaitu tentang apa yang dimaksud dengan
“data rusak” atau “data tidak lengkap”, kemudian dirumuskan juga tentang apa yang dimaksud mesin datamining. Kemudian berdasarkan konteks yang dibuat ini perluasan algoritma dikonstruksikan. Pada tahapan akhir dari penelitian, perluasan algoritma yang diperoleh didemonstrasikan atau diujicobakan pada data sebarang yang dibuat acak atau pada data yang datang dari kenyataan. Diharapkan pada pengembangan selanjutnya, mesin diperluas tidak saja pada k-mean, akan tetapi pada metode jaringan syaraf tiruan dan metode-metode lain yang mungkin.
Keyword : perluasan k-mean, machine learning, datamining, data rusak, data tidak lengkap.
DAFTAR ISI
Halaman
HALAMAN SAMPUL ... i
HALAMAN PENGESAHAN ... ... ii
RINGKASAN ... iii
DAFTAR ISI ... iv
BAB 1 PENDAHULUAN... 1
1.1.Latar Belakang ... 2
1.2.Rumusan Masalah ... 3
1.3.Batasan Masalah ... 3
1.4.Tujuan Penelitian ... 3
1.5.Luaran Penelitian ... 3
1.6.Kontribusi bagi Ilmu Pengetahuan ... 3
BAB 2 TINJAUAN PUSTAKA ... 4
BAB 3 METODE PENELITIAN ... 5
3.1. Studi Pustaka ... 6
3.2. Identifikasi dan Perumusan Masalah ... 6
3.3. Penetapan Asumsi-asumsi Dasar ... 6
3.4. Pendefinisian Terminologi yang Membangun Konteks dari Teori ... 6
3.5. Konstruksi Algortima K-means Perluasan yang diusulkan ... 7
3.6. Demonstrasi Penggunaan Algoritma ... 7
3.7. Evaluasi... 7
3.8. Publikasi ilmiah ... 7
BAB IV BIAYA DAN JADWAL PENELITIAN ... 8
4.1. Anggaran Biaya ... 8
4.2. Jadwal Penelitian ... 8
DAFTAR PUSTAKA ... 9
LAMPIRAN ... 10
Lampiran 1 : Justifikasi Anggaran Penelitian ... 10
Lampiran 2 : Susunan organisasi tim peneliti dan pembagian tugas ... 12
Lampiran 3 : Biodata ketua dan anggota... 13
Lampiran 4 : Surat pernyataan ketua peneliti ... 20
BAB I PENDAHULUAN 1.1. Latar Belakang
Dalam proses datamining, terkadang terdapat titik data (rekord) yang tidak lengkap, dalam artian, bahwa terdapat atribut-atribut dari rekord tersebut yang tidak terisi nilainya. Sebagai contoh sebuah rekord :
Metadata rekord = (idnasabah, nama, alamat, umur, nilai_pinjaman,
jangka_pengembalian, nilai_bunga_pinjaman, nilai_agunan) Sebuah titik data mengalir masuk dengan nilai rekord sebagai berikut:
Rekord A = (1234, amin, ponorogo, 34, 10.000.000, 5 tahun, 12%, 12.000.000) Kita mengatakan rekord A adalah sebuah rekord yang lengkap, dan dapat diproses oleh mesin datamining.
Akan tetapi boleh jadi terdapat data yang masuk mengalir bersama dengan data yang lengkap, misalkan itu rekord B dimana rekord B memiliki rincian sebagai berikut:
Rekord B = (2890, rangga, ponorogo, NULL, 20.000.000, NULL, 13%, NULL) Dimana terdapat 3 atribut yang kosong (nilainya NULL) yaitu atribut umur, jangka_pengembalian dan nilai_agunan. Rekord B ini dinyatakan sebagai rekord tidak lengkap atau data tidak lengkap. Mesin datamining tentunya tidak dapat mengolah titik data ini, karenanya dia mungkin akan dibuang sebagai titik data sampah.
Contoh penjelasan ini tidak terbatas pada nasabah bank, akan tetapi dapat dibawa pada proses pengolahan citra, dimana sebuah rekord merepresentasikan atribut-atribut sebuah piksel. Misalkan sebuuah piksel P memiliki 8 piksel tetangga yang mengelilinginya. Piksel P dapat dirumuskan sebagai sebuah titik data berupa rekord sebagai berikut:
Piksel P = (nilai_piksel_tetangga1, nilai_piksel_tetangga2,..., nilai_piksel_tetangga8)
Dalam kasus ini, informasi sebuah piksel terkadang tidak lengkap, karena mungkin terhalang oleh benda lain ketika kamera menangkapnya.
Berawal dari persoalan titik data yang tidak lengkap, penelitian ini mencoba mengusulkan sebuah algoritma untuk memperbaiki data yang tidak lengkap ini dengan cara memprediksi atribut-atribut yang kosong, melengkapinya kemudian melemparkan ulang titik data tersebut ke mesin datamining.
Penelitian ini didahului dengan dua buah asumsi dasar sebagai berikut (diharapkan di masa depan nanti dua buah assumsi ini dapat diperluas untuk sebarang mesin datamining):
Definisi 1 (Data tidak lengkap) :
Data tidak lengkap adalah adalah rekord yang satu atau lebih dari atribut- atributnya adalah NULL.
Definisi 2 (Mesin Datamining) :
Adalah sebuah model data belajar (model datamining) yang dibangun berdasarkan algoritma k-mean.
Rencana Solusi :
Solusi untuk memprediksi data yang tidak lengkap adalah dengan memperluas algoritma k-mean ke dalam sebuah mesin k-mean yang berbentuk hierarkis.
Mesin k-mean dalam bentuk hierarkis direncanakan akan dijelaskan pada pelaksanaan penelitiaan sebagai gagasan dasar penelitian.
Berdasarkan asumsi-asumsi ini rumusan penelitian dibuat sebagai berikut.
1.2. Rumusan Masalah
Dari penjelasan latar belakang, dapat dirumuskan masalah penelitian sebagai berikut:
“Bagaimana memperluas algoritma k-mean agar mesin k-mean dapat memperbaiki atau memprediksi data yang tidak lengkap sehingga dapat menggunakannya pada proses datamining?”
Selanjutnya secara formal, batasan permasalahan dikemukakan sebagai berikut:
1.3. Batasan Masalah
Penelitian dibatasi pada asumsi-asumsi dasar yang dijelaskan sebelumnya, yaitu definisi 1, definisi 2 dan rencana solusi.
1.4. Tujuan Penelitian
Tujuan penelitian ini adalah :
“Untuk memperoleh mesin datamining yang dapat memperbaiki sendiri data yang tidak lengkap atau rusak kemudian menggunakannya secara normal.”
1.5. Luaran Penelitian
Luaran penelitian adalah :
a. Sebuah mesin datamining berupa mesin k-mean sebagai perluasan mesin k- mean konvensional.
b. Publikasi ilmiah di seminar nasional atau internasional
1.6. Kontribusi bagi Ilmu Pengetahuan
Nilai kontribusi penelitian ini adalah diharapkan dapat menambah khasanah algoritma datamining dengan kemampuan yang lebih baik daripada algoritma datamining sebelumnya terutama algoritma k-mean.
BAB II
TINJAUAN PUSTAKA
Kaiyang Liao dkk (2013), dalam makalahnya memperkenalkan algoritma k-means yang diperluas dengan cara membangun klaster secara hierarki.
Algoritma ini dinamakannya sample-based hierarchical adaptive K-means (SHAKM). SHAKM menerapkan strategi sampling acak multilevel dimana dalam membangun klaster yang hierarkis dia menerapkan algoritma klastering k-means adaptive untuk menentukan jumlah klaster sekaligus membangun sebuah pohon klaster. Pohon klaster ini merepresentasikan gagasan SHAKM.
Hubungan dengan penelitian ini, penelitian ini juga mengusulkan perluasan algoritma k-means dalam bentuk hierarkis akan tetapi dengan cara yang berbeda yang dikemukakan oleh Kaiyang Liao. Bentuk hierarkis yang dikemukakan dalam usulan penelitian ini adalah sebuah pohon k-means, tetapi bukan pohon klaster sebagaimana dikemukakan oleh Kaiyang Liao dkk (2013).
Pohon k-means adalah pohon algoritma yang dieksekusi secara hierarkis untuk keperluan memprediksi sebuah data yang tidak lengkap, yang kemudian setelah data itu diperbaiki, dia dimasukkan lagi secara normal dalam mesin k-mean normal. mesin k-mean normal diletakkan dalam root dari pohon algoritma.
Pohon algoritma yang dimaksud adalah bahwa untuk setiap node dari pohon, terdapat sebuah algortima k-means, yang berbeda secara vertikal atau horisontal dengan algoritma k-means pada node yang lain. Sehingga mesin datamining secara keseluruhan adalah berwujud sebuah pohon k-means. Adapun pohon klaster yang dikemukakan oleh SHAKM bukanlah pohon algoritma, akan tetapi pohon dimana setiap nodenya adalah sebuah klaster.
Metode yang diusulkan dalam penelitian kami namakan sebagai metode k-mean-r. Dimana r menunjukkan level dari algoritma k-means dari pohon k- means yang telah dikonstruksikan. Sehingga k-means-0 adalah mesin k-means normal yang terletak pada root dari pohon k-means.
BAB III
METODE PENELITIAN
Pada dasarnya penelitian yang diajukan adalah penelitian teoritis, dalam bidang ilmu komputer, dimana dalam penelitian ini kami berusaha mengemukakan sebuah gagasan baru tentang bagaimana memperluas algoritma k- means menjadi sebuah pohon k-means atau sebuah pohon mesin, bukan sekedar sebuah mesin. Dengan tujuan utama penelitian adalah membuat sebuah mesin yang dapat memperbaiki sendiri data masuk yang rusak atau tidak lengkap, kemudian melakukan prediksi atau klasifikasi secara normal sebagaimana biasanya.
Penelitian ini tidaklah dimaksudkan sebagai penelitian lapangan, sehingga dalam metode penelitian tidak digunakan terminologi “teknik pengumpulan data” atau berbagai terminologi statistik yang biasa digunakan untuk menganalisa data lapangan. Dalam metode penelitian yang hendak diuraikan, semata adalah langkah-langkah untuk mengkonstrusikan teori yang hendak diusulkan dalam proposal penelitian ini, semoga dapat menjadi jelas kiranya bagaimana nantinya jalannya penelitian hendak dilakukan. Baiklah metode penelitian dikonstruksikan dalam tahapan sebagai berikut:
a. Studi Pustaka
b. Identifikasi dan Perumusan Masalah c. Penetapan Asumsi-asumsi Dasar
d. Pendefinisian Terminologi yang Membangun Konteks dari Teori e. Konstruksi Algortima K-means Perluasan yang diusulkan
f. Konstruksi Pohon K-means sebagai representasi mesin g. Demonstrasi Penggunaan Algoritma
h. Evaluasi
i. Publikasi Ilmiah
Penjelasan tentang tahapan-tahapan ini diuraikan dalam senarai poin berikut ini:
3.1. Studi Pustaka
Pada tahapan ini, berbagai literatur dikumpulkan untuk meninjau sejauh mana gagasan k-means telah diperluas oleh peneliti-peneliti lain diberbagai tempat di dunia, dengan memeriksa secara acak pada jurnal-jurnal yang mempublikasikan jurnalnya secara daring. Pada studi pertama penelitian ini, tahapan proposal, literatur diambil dari ScienceDirect. Direncanakan untuk mengambil lagi berbagai jurnal yang membahas penelitian-penelitian terbaru tentang klasterisasi yang menggunakan k-means sebagai dasar konstruksi algoritmanya atau sebagai dasar untuk membangun algoritma-algoritma baru untuk melakukan klasterisasi, baik dalam hal pengolahan citra digital atau dalam datamining.
3.2. Identifikasi dan Perumusan Masalah
Tahapan penelitian ini, melakukan identifkasi celah permasalahan yang bisa dieksplorasi dari berbagai referensi dalam studi pustaka, dan berdasarkan celah permasalahan itu disusun sebuah pernyataan permasalahan baru yang tidak dijawab oleh studi-studi sebelumnya atau tidak merupakan fokus daripada penelitian-penelitian sebelumnya. Sebagaimana telah dikemukakan diawal, celah masalah yang ditemukan adalah bahwa penelitian-penelitian sebelumnya tidak memikirkan bagaimana sebuah mesin datamining dapat memperbaiki data yang corrupt atau rusak atau data yang tidak lengkap, kemudian memasukkan ulang
dalam proses datamining yang normal.
3.3. Penetapan Asumsi-asumsi Dasar
Tahapan penelitian ini berusaha untuk membuat pagar bagi konteks teori yang ingin dibangun, pagar ini berupa asumsi-asumsi dasar yang mendefinisikan konteks dimana teori itu berdiri. Pagar ini dibuat agar diharapkan nantinya konstruksi teori atau metode baru tersebut dapat dilaksanakan secara ketat (rigid).
3.4. Pendefinisian Terminologi yang Membangun Konteks dari Teori
Tahapan ini adalah bagian yang sama sebelumnya, hanya saja beberapa istilah yang mungkin sering untuk digunakan diusahakan untuk didefinisikan terlebih dahulu untuk menjaga konsistensi pengembangan.
3.5. Konstruksi Algortima K-means Perluasan yang diusulkan
Tahapan ini adalah membangun teori yang telah dibangun diatas asumsi- asumsi dasar menjadi dalam bentuk algoritma. Pada penelitian ini disebut sebagai algoritma k-means perluasan.
3.6. Konstruksi Pohon K-means sebagai representasi mesin
Tahapan ini mengkonstruksikan secara grafis atau dalam bentuk graf bagaimana mesin datamining yang dibangun dari algoritma k-means perluasan adalah dapat direpresentasikan dalam sebuah pohon mesin. Yaitu sebuah pohon yang simpul-simpulnya (nodes) adalah masing sebuah algoritma k-means tersendiri.
3.7. Demonstrasi Penggunaan Algoritma
Tahapan ini mendemosntrasikan penggunaan mesin untuk contoh-contoh data yang diambil secara acak dari kenyataan dengan terlebih dulu menyatakannya dalam sejumlah rekord atau dataset. Kenyataan yang dimaksud dapat berarti data dari fakta sebarang yang ada atau data yang dikonstruksikan secara sengaja.
3.8. Evaluasi
Tahapan evaluasi ini diharapkan dapat meninjau kompleksitas dari algoritma yang dibuat.
3.9. Publikasi Ilmiah
Tahapan dimana laporan dimasukkan dalam seminar atau konferensi.
BAB IV
BIAYA DAN JADWAL PENELITIAN 4.1. Anggaran Biaya
Adapun biaya dari penelitian yang akan peneliti lakukan dapat dilihat pada table 4.1 di bawah ini :
Tabel 4.1 Ringkasan Anggaran Biaya
No Jenis Pengeluaran Biaya yang
diusulkan (RP)
1 Gaji dan Upah Rp. 2.976.000,-
2 Bahan habis pakai dan peralatan Rp. 7.700.000,-
3 Perjalanan Rp. 1.600.000,-
4 Lain-lain (publikasi,seminar, laporan) Rp. 2.604.000,-
Jumlah Rp. 14.880.000,-
4.2. Jadwal Penelitian
No Rencana Kegiatan Waktu Pelaksanan (bulan ke )
1 2 3 4 5 6 7 8
1 Persiapan 2 Studi Literatur
3 Identifikasi dan Diskusi Perumusan masalah 4 Diskusi penetapan asumsi-
asumsi dasar dan terminologi 5 Konstruksi perluasan
algoritma k-mean
6 Perancangan pohon k-mean sebagai representasi perluasan k-mean
7 Demonstrasi penggunaan algoritma perluasan dengan menggunakan dataset 8 Evaluasi
9 Penyusunan laporan
DAFTAR PUSTAKA
Kaiyang Liao, Guizhong Liu, Li Xiao, Chaoteng Liu, (2013), A sample-based hierarchical adaptive K-means clustering method for large-scale video retrieval, Journal of Knowledge-Based Systems 49 (2013) 123–133.
Lampiran 1 : Justifikasi Anggaran Penelitian Justifikasi anggaran biaya
1. Honor
Honor Honor/Jam (Rp)
Waktu
(jam/minggu) Minggu Honor per Tahun(Rp) Th I
Ketua 6175 10
jam/minggu
32 minggu 1.976.000
Anggota 1 3125 10
jam/minggu
32 minggu 1.000.000 SUB TOTAL (Rp) 2.976.000 2. Peralatan Penunjang
Material Justifikasi
Pemakaian Kuantitas Harga Satuan (Rp.)
Biaya per Tahun (Rp) Th I Th II Th III
Dokomentasi Kamera 1 1.000.000 1.000.000
Percetakan Printer 1 600.000 600.000
Alat Tambahan
Penggandaan Instrumen
1 500.000 500.000
SUB TOTAL (Rp) 2.100.000 3. Bahan Habis Pakai
Material Justifikasi
Pemakaian Kuantitas Harga Satuan (Rp.)
Biaya per Tahun (Rp) Th I Th II Th III Alat tulis
kantor
alat tulis, kertas, tinta printer dll
1 500.000 500.000
Telepon, Surat dan Fax
Pulsa internet 2 800.000 1.600.000
Penelusuran referensi
Mencari referensi dari berbagai sumber
2 800.000 1.600.000
Pembuatan laporan
Laporan kemajuan&ha sil
2 500.000 1.000.000
Sharing Diskusi kemajuan
3 300.000 900.000
SUB TOTAL (Rp) 5.600.000 4. Perjalanan
Material Justifikasi
Pemakaian Kuantitas Harga Satuan (Rp.)
Biaya per Tahun (Rp) Th I Th II Th III
Monev Monitoring 2 500.000 1.000.000
Pustaka Pencarian Literatur
2 300.000 600.000
SUB TOTAL (Rp) 1.600.000 5. Lain-lain
Kegiatan
Justifikasi
Kualitas
Harga Satuan (Rp)
Biaya Per Tahun (Rp) Tahun I Tahun Tahun
II III Jurnal Pembuatan
dan
Pengiriman
1 1.500.000 1.500.000
Seminar Seminar Internal
1 580.000 580.000
Laporan Laporan Akhir
1 224.000 224.000
Penggandaan Penggandaan Laporan
3 100.000 300.000
SUB TOTAL (Rp) 2.604.000 Total Anggaran Yang DiperlukanPada Setiap Tahun (Rp) Tahun I Tahun
II
Tahun III 14.880.000
TOTAL ANGGARAN YANG DIPERLUKAN SELURUH TAHUN
14.880.000
Lampiran 2 : Susunan organisasi tim peneliti dan pembagian tugas
No. Nama/NIDN Instansi Asal Bidang Ilmu
Alokasi Waktu (jam/minggu)
Uraian Tugas 1. Aslan Alwi, S.Si.,
M.Cs/0924127201
Universitas Muhammadiyah Ponorogo
Ilmu Komputer
10
jam/minggu
1. Mengumpulkan literatur,
mengidentifikas i masalah.
2. Merencanakan solusi.
3. Membangun solusi.
4. Seminar.
2. Ellisia
Kumalasari, S.Pd., M.Pd/0405098502
Universitas Muhammadiyah Ponorogo
Matematika 1. Administrasi 2. Mengumpulkan
literatur.
3. Mengevaluasi rencana solusi.
4. Mengevaluasi bangunan solusi.
5. Mempersiapkan demonstrasi algoritma.
6. Penyusunan Laporan 7. Seminar.
8.
Lampiran 3 : Biodata ketua dan anggota A. Identitas Diri Ketua
1 Nama Lengkap (dengan gelar) Aslan Alwi, S.Si., M.Cs
2 Jenis Kelamin Laki-Laki
3 Jabatan Fungsional Asisten Ahli 4 NIP/NIK/Identitas lainnya 1972032420110113
5 NIDN 0924127201
6 Tempat dan Tanggal Lahir Kolaka, 24 Maret 1972
7 E-mail [email protected]
8 Nomor Telepon/HP 085341519759
9 Alamat Kantor Jl. Budi Utomo No 10 Ponorogo 10 Nomor Telepon/Faks 0352-481124/0352-461796
11 Lulusan yang Telah Dihasilkan S-1 =230 Orang, S-2 = …. Orang, S-3 = ….
Orang 12 Mata Kuliah yg Diampu
1. Teknik Kompilasi 2. Pengolahan Citra Digital 3. Datamining
4. Datawarehouse B. Riwayat Pendidikan
S-1 S-2 S-3
Nama Perguruan Tinggi Institut Teknologi Bandung
Universitas gadjah Mada
Bidang Ilmu Matematika Ilmu Komputer
Tahun Masuk-Lulus 1991-1997 2007-2010 Judul Skripsi/Tesis/Disertasi Aljabar relasi
untuk menganalisa rangkaian switching
Pengenalan Naskah Aksara Bugis- makassar dengan menggunakan jaringan syaraf tiruan metode backpropagation Nama
Pembimbing/Promotor
1. Prof. Dr. Bana Kartasasmita
1. Dr.Retantyo Wardoyo, M.sc
C. Pengalaman Penelitian Dalam 5 Tahun Terakhir (Bukan Skripsi, Tesis, maupun Disertasi)
No. Tahun Judul Penelitian
Pendanaan
Sumber * Jml (Juta Rp) 1.
2.
3.
Dst
* Tuliskan sumber pendanaan baik dari skema penelitian DIKTI maupun dari
sumber lainnya.
D. Pengalaman Pengabdian Kepada Masyarakat dalam 5 Tahun Terakhir
No. Tahun Judul Penelitian
Pendanaan
Sumber * Jml (Juta Rp) 1.
2.
3.
Dst
* Tuliskan sumber pendanaan baik dari skema penelitian DIKTI maupun dari
sumber lainnya.
E. Publikasi Artikel Ilmiah Dalam Jurnal alam 5 Tahun Terakhir
No. Judul Artikel Ilmiah Nama Jurnal Volume/Nomor /Tahun 1.
2.
3.
Dst
F. Pemakalah Seminar Ilmiah (Oral Presentation) dalam 5 Tahun Terakhir No. Nama Pertemuan Ilmiah /
Seminar
Judul Artikel Ilmiah Waktu dan Tempat 1.
2.
3.
Dst
G. Karya Buku dalam 5 Tahun Terakhir
No Judul
Buku
Tahun Jumlah
Halaman Penerbit 1.
2.
3.
Dst
H. Perolehan HKI dalam 5–10 Tahun Terakhir
No. Judul/Tema HKI Tahun Jenis Nomor P/ID
1.
2.
3.
Dst
I. Pengalaman Merumuskan Kebijakan Publik/Rekayasa Sosial Lainnya dalam 5 Tahun Terakhir
No. Judul/Tema/Jenis Rekayasa Sosial
Lainnya yang Telah Diterapkan Tahun Tempat Penerapan
Respon Masyarakat 1.
2.
3.
Dst
J. Jenis Penghargaan Yang Diterima No Jenis
penghargaan
Institusi pemberi penghargaan
Tahun
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan dapat dipertanggungjawabkan secara hukum. Apabila di kemudia hari ternyata dijumpai ketidaksesuaian dngan kenyataan, saya sanggup menerima sanksi.
Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu pernyataan dalam pengajuan Penelitan Dosen Pemula.
A. Identitas Diri Anggota
1 Nama Lengkap Ellisia Kumalasari, M.Pd.
2 JenisKelamin Perempuan
3 JabatanFungsional -
4 NIP/NIK/Identitaslainnya 19850905 201309 13
5 NIDN 0405098502
6 TempatdanTanggalLahir Bondowoso, 5 September 1985
7 E-mail [email protected]
9 NomorTelepon/HP 085204233855
10 Alamat Kantor Jalan Budi Utomo 10 Ponorogo 11 NomorTelepon/Faks 0352-487662
12 Lulusan yang TelahDihasilkan S-1 = ... orang; S-2 = ... orang; S-3 = ... orang
13. Mata KuliahygDiampu
1. Kalkulus 1
2. Aljabar Linier dan Matrik 3. Kalkulus 2
4. Metode Numerik
5. KalkulusLanjut ( PeubahBanyak) B. RiwayatPendidikan
S-1 S-2 S-3
NamaPerguruanTinggi
Universitas Jember Universitas Pendidikan Indonesia
-
BidangIlmu Pendidikan Matematika Pendidikan Matematika -
TahunMasuk-Lulus 2004-2009 2009-2011
JudulSkripsi/Tesis/Dise rtasi
Analisis Tingkat Kognitif Pertanyaan pada Buku Teks Matematika kelas VII Pokok Bahasan Bilangan Bulat Berdasarkan Taksoomi Bloom
Peningkatan kemampuan berpikir kritis dan Pemecahan masalah matematis siswa smp Melalui pembelajaran matematika model CORE
NamaPembimbing/Pro motor
1. Prof. Dr. Sunardi, M. Pd.
2. Dra. Dinawati T, M. Pd
1. Drs. Turmudi, M. Sc., M. Ed., Ph. D.
2. Dr. Dadang Juandi, M.
Si.
C. PengalamanPenelitianDalam 5 TahunTerakhir
No. Tahun JudulPenelitian Pendanaan
Sumber* Jml (JutaRp)
1 2012
Pembelajaran Matematika Model CORE dalam Upaya Meningkatkan Kemampuan Berpikir Kritis Siswa SMP
Sendiri
2 2013
Perbandingan Hasil Belajar Matematika dengan Menerapkan Model Pembelajaran Kooperatif Tipe Student Teams Achievement Divisions (STAD) dan tipe jigsaw
Internal Rp. 2.500.000
D. Pengalaman Pengabdian Kepada Masyarakat dalam 5 Tahun Terakhir No. Tahun Judul Pengabdian Kepada Masyarakat Pendanaan
Sumber* Jml (Juta Rp) 1
Dst.
E. PublikasiArtikelIlmiahDalamJurnalalam 5 TahunTerakhir
No. JudulArtikelIlmiah NamaJurnal Volume/
Nomor/Tahun
1
Pembelajaran Matematika Model CORE dalam Upaya Meningkatkan Kemampuan Berpikir Kritis Siswa SMP
Prosiding Seminar Nasional
Pendidikan Matematika
ISBN 978-602- 9250-28-2 halaman
40-53, November 2012
2
Peningkatan Kemampuan Pemecahan Masalah Matematis Siswa SMP melalui Pembelajaran Matematika Model CORE
Prosiding Seminar Nasional
Pendidikan Matematika
volume 1 ISBN 978-602-19541-0-2 halaman 221-228, Desember 2011.
F. Pemakalah Seminar Ilmiah (Oral Presentation) dalam 5 TahunTerakhir No NamaPertemuanIlmiah /
Seminar JudulArtikelIlmiah Waktudan
Tempat
1
Seminar Nasional Pendidikan Matematika
Pembelajaran Matematika Model CORE dalam Upaya Meningkatkan Kemampuan Berpikir Kritis Siswa SMP
Tasikmalaya, bandung,november 2012
2
Seminar Nasional Pendidikan Matematika
Peningkatan Kemampuan Pemecahan Masalah Matematis Siswa SMP melalui Pembelajaran Matematika Model CORE
Cimahi, bandung desember 2011
G. Karya Buku dalam 5 Tahun Terakhir
No Judul
Buku
Tahun Jumlah
Halaman Penerbit 1.
2.
3.
Dst
H. Perolehan HKI dalam 5–10 Tahun Terakhir
No. Judul/Tema HKI Tahun Jenis Nomor P/ID
1.
2.
3.
Dst
I. Pengalaman Merumuskan Kebijakan Publik/Rekayasa Sosial Lainnya dalam 5 Tahun Terakhir
No. Judul/Tema/Jenis Rekayasa Sosial
Lainnya yang Telah Diterapkan Tahun Tempat Penerapan
Respon Masyarakat 1.
2.
3.
Dst
J. Jenis Penghargaan Yang Diterima
No Jenis
penghargaan
Institusi pemberi penghargaan
Tahun
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan dapat dipertanggungjawabkan secara hukum. Apabila di kemudia hari ternyata dijumpai ketidaksesuaian dngan kenyataan, saya sanggup menerima sanksi.
Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu pernyataan dalam pengajuan Penelitan Dosen Pemula.
Ponorogo, 28 April 2015
Lampiran 4 : Surat pernyataan ketua peneliti
20
