Strategi Gamifikasi Sebagai Peningkatan Motivasi Kuliah Pemrograman Website Pada Masa Pandemi Covid19

Pandemi Covid-19 masih menjadi wabah yang membahayakan manusia sehingga menjadi tantangan khusus dan menuntut adanya perubahan pada berbagai bidang masyarakat. Pendidikan menjadi salah satu bidang yang terdampak oleh pandemi ini. Aktivitas belajar mengajar harus dilakukan secara daring yang mengakibatkan kualitas belajar mengajar menjadi tidak maksimal. Perkuliahan daring sudah dilakukan lebih dari satu tahun. Model kuliah ini ternyata telah menurunkan motivasi belajar mahasiswa karena dianggap menjenuhkan sehingga dibutuhkan inovasi pembelajaran dari para Dosen. Gamifikasi menjadi salah satu solusi yang sudah beberapa kali digunakan dan merupakan suatu teknik yang dapat membuat mahasiswa berperan aktif selama perkuliahan serta merasa menikmati setiap tugas perkuliahan yang diberikan. Kami melakukan perancangan dan implementasi gamifikasi untuk matakuliah pemrograman website dengan platform classcraft. Hasil penelitian menunjukan adanya kenaikan motivasi mahasiswa dalam perkuliahan. Hal ini dilihat dari beberapa indikator yaitu tepat waktu dalam masuk kuliah naik dengan persentase 16.67%, minat diskusi dengan dosen naik 40%, ketepatan pengumpulan tugas naik 39,39%, kemampuan menyelesaikan projek UTS naik 28,57% dan kemampuan menyelesaikan projek UAS naik sebesar 34,21%.

Klasifikasi Kerusakan Motor Induksi Menggunakan Metode Transformasi Wavelet Diskrit Dan K-Nearest Neighbor

Dalam bidang industri, motor induksi 3 fasa sering digunakan, motor listrik ini dikenal memiliki konstruksi yang lebih kuat dari jenis motor listrik lain. Namun motor listrik ini tidak terlepas dari kerusakan. Kerusakan yang sering terjadi disebabkan oleh faktor lingkungan kerja dan umur motor. Kurangnya pengetahuan tentang sistem dalam mendeteksi kerusakan motor induksi 3 fasa mengakibatkan mesin mengalami shut-down berhenti beroperasi, sehingga mengakibatkan kerugian di sektor industri. Metode ekstraksi sinyal Transformasi Wavelet Diskrit (DWT) dan K-Nearest Neighbor (KNN) untuk klasifikasi data motor induksi dengan berbagai kondisi kerusakan mampu menghasilkan tingkat akurasi yang tinggi. Dalam penelitian ini dilakukan klasifikasi terhadap kondisi kerusakan bearing, air gap, rotor dan stator motor induksi. Hasil klasifikasi yang diperoleh dengan tingkat akurasi lebih dari 95%.