Student

Pembelajaran analogi matematika merupakan salah satu alternatif pembelajaran yang dapat diterapkan dalam rangka menumbuhkan daya nalar (power of reason) siswa. Melalui analogi matematika siswa dituntut untuk dapat mencari keserupaan atau keterkaitan sifat dari dua konsep yang sama atau berbeda melalui perbandingan, selanjutnya menarik suatu kesimpulan dari keserupaan tersebut. Dengan demikian analogi dapat digunakan sebagai penjelasan atau sebagai dasar penalaran. Sebelum memulai pembelajaran analogi matematika, sebaiknya guru memeriksa kemampuan pemahaman konsep matematika siswa, karena tingkat pemahaman siswa akan berpengaruh kepada daya nalarnya. Tugas (soal-soal) analogi matematika termasuk soal non rutin, oleh karenanya diperlukan kesiapan guru dalam membuatnya. Pada setiap soal analogi matematika termuat konsep yang sama atau berbeda, sehingga dibutuhkan materi yang cukup banyak. Langkah-langkah membuat soal analogi matematika, adalah : a) susunlah semua konsep dalam matematika yang telah dipelajari siswa ; b) susun pula sifat-sifat / hubungan yang terdapat dalam setiap konsep, dan c) pilih materi-materi yang mempunyai sifat / hubungan yang dapat dianalogikan. Dalam tulisan ini diberikan dua bentuk soal analogi matematika yaitu analogi matematika model 1 dan analogi matematika model 2. Pembelajaran analogi matematika sebaiknya dilaksanakan setelah sejumlah konsep dipelajari. Ada baiknya diberikan di kelas-kelas akhir karena banyak konsep yang telah dipelajari oleh siswa. Daya nalar (power of reason) siswa menjadi bagian penting dalam proses pembelajaran untuk mengantarkan mereka menuju masa depannya sebagai warga negara yang cerdas, yang akan dipimpin oleh daya nalar (otak) dan bukan dengan kekuatan (otot) saja. Sebagaimana dikemukakan oleh mantan Presiden AS Thomas Jefferson (dalam Copi,1978:vii) yang menyatakan : "In a republican nation, whose citizens are to be led by reason and persuasion and not by force, the art of reasoning becomes of first importance"

Keinginan penduduk suatu negara untuk memperoleh suatu jenis mata uang asing dapat dipandang sebagai permintaan valuta asing oleh penduduk negara itu. Keinginan masyarakat yang bertambah besar untuk memperoleh barang dari suatu negara akan menaikkan permintaan mata uang negara tersebut. Sebaliknya, jika tidak ada keinginan untuk memperoleh barang dari suatu negara akan menurunkan permintaan mata uang negara tersebut.

Monitoring of structures to identify types of damages that occur under loading is essential in practical applications of civil infrastructure. In this paper, we detect and visualize damage based on several non-destructive testing (NDT) methods. A machine learning (ML) approach based on the Support Vector Machine (SVM) method is developed to prevent misdirection of the event interpretation of what is happening in the material. The objective is to identify cracks in the early stages, to reduce the risk of failure in structures. Theoretical and experimental analyses are derived by computing the performance indicators on the smart aggregate (SA)-based sensor data for concrete and reinforced-concrete (RC) beams. Validity assessment of the proposed indices was addressed through a comparative analysis with traditional SVM. The developed ML algorithms are shown to recognize cracks with a higher accuracy than the traditional SVM. Additionally, we propose different algorithms for microwave-or millimeter-wave imaging of steel plates, composite materials, and metal plates, to identify and visualize cracks. The proposed algorithm for steel plates is based on the gradient magnitude in four directions of an image, and is followed by the edge detection technique. Three algorithms were proposed for each of composite materials and metal plates, and are based on 2D fast Fourier transform (FFT) and hybrid fuzzy c-mean techniques, respectively. The proposed algorithms were able to recognize and visualize the cracking incurred in the structure more efficiently than the traditional techniques. The reported results are expected to be beneficial for NDT-based applications, particularly in civil engineering. These algorithms have successfully been utilized to solve engineering problems [3][5][6]. The SVM method has been extensively used in many research studies, and it is accepted as an efficient classifier for detecting damage [7-9]. However, there had been a substantial increase in utilizing advice sets for enhancing SVM performance. However, applying and expressing this knowledge in terms of its constraints still has some difficulties. These techniques require new parameters and operations that can enhance the SVM computational cost. In this regard, the first contribution of this study is to develop non-iterative SVM-based algorithms for analyzing the sensor (smart aggregate) data, which can improve the performance of SVM, rather than traditional SVM.