https://ptsldigital.ukm.my/jspui/handle/123456789/388906 Sun, 26 Apr 2026 07:05:27 GMT 2026-04-26T07:05:27Z https://ptsldigital.ukm.my/jspui/handle/123456789/773297 Title: Integrasi model pembelajaran pengalaman berasaskan pemikiran siber bagi aktiviti teknologi dron Authors: Noridayu Adnan (P103839) Abstract: Peningkatan Revolusi Industri 4.0 (IR 4.0) dan kemajuan teknologi telah memperkenalkan pembelajaran STEM ke mata dunia. Namun begitu, para pelajar beranggapan bahawa pembelajaran STEM adalah terlalu mencabar, membosankan atau kurang diminati. Model pembelajaran pengalaman diperkenalkan kepada guru sebagai landasan dalam mengasahkan cara pemikiran para pelajar. Model Matsuo-Nagata 2020 dilihat masih mempunyai kekurangan kerana tidak menekankan aspek teknikal dalam cara penyelesaian masalah. Walaupun model pembelajaran Matsuo-Nagata telah menambahbaik dua komponen daripada model Kolb 1984 iaitu (i) pengalaman dijangka dan tidak dijangka, dan juga (ii) pengurusan emosi, namun model ini masih tiada komponen yang boleh menjadi kaedah terbaik secara teknikal penyelesaian masalah. Oleh itu, kajian ini menekankan penggunaan pemikiran komputasional dan pemikiran tentangan ke dalam model pembelajaran Matsuo-Nagata dan membentuk sebuah model baharu iaitu Model Pembelajaran Pemikiran Siber. Penggunaan dron digunakan bagi mengaplikasikan Model Pembelajaran Pemikiran Siber untuk memperkenalkan aspek keselamatan siber semasa mengendalikan teknologi moden. Objektif kajian ini adalah (i) menganalisis model pembelajaran pengalaman secara integrasi pemikiran komputasional dan keselamatan siber dengan menggunakan kajian literatur komprehensif, (ii) mengenal pasti faktor – faktor pembelajaran pengalaman melalui perbincangan kumpulan berfokus, dan (iii) mereka bentuk pindaan model pembelajaran pengalaman secara integrasi pemikiran komputasional dan pemikiran tentangan dengan menggunakan kaedah PPBK-DTS . Faktor pembelajaran pengalaman dikaji berdasarkan model-model pembelajaran pengalaman daripada kajian-kajian lepas. Komponen model yang dibangunkan disahkan melalui perbincangan kumpulan berfokus. Seramai 131 guru telah diberikan borang soal selidik dengan menggunakan teknik persampelan rawak untuk mengesahkan model yang dibangunkan. Hasil perbincangan yang dijalankan telah direkodkan dan dianalisa. Pengesahan komponen model juga dilakukan melalui agihan instrumen soal selidik kepada pakar dan dianalisis dengan menggunakan kaedah PPBK-DTS . Hasil analisis mendapati hipotesis bagi empat komponen model diterima dengan nilai p=0.000 (pengalaman dijangka dan tidak dijangka – pengurusan emosi), p= 0.000(pengurusan emosi-pemikiran komputasional) dan p=0.045 (pengurusan emosi – pemikiran tentangan); pemikiran siber, p=0.001 (pemikiran komputasional – pemikiran tentangan), p=0.000 (refleksi komputasional – pengalaman dijangka dan tidak dijangka), p=0.000 (refleksi komputasional – pemikiran komputasional), dan p = 0.000 (refleksi komputasional – pemikiran tentangan); pemikiran siber. Empat komponen ini telah dibangunkan membentuk Model Pembelajaran Pemikiran Siber yang dapat membantu pelajar membangun secara kognitif (kaedah penyelesaian masalah), afektif (pengurusan emosi dengan baik) dan juga keselamatan siber (pengendalian dron selamat). Description: Full-text Tue, 14 Feb 2023 00:00:00 GMT https://ptsldigital.ukm.my/jspui/handle/123456789/773297 2023-02-14T00:00:00Z https://ptsldigital.ukm.my/jspui/handle/123456789/772513 Title: Pengecaman sebutan 30 huruf hijaiyah berasaskan pembelajaran mesin Authors: Nur Afini Natrah Mohd Ashril (P100933) Abstract: Al-Quran merupakan kitab suci umat Islam dan merupakan mukjizat terakhir. Surah- surah yang ditulis dalam al-Quran pula adalah susunan huruf hijaiyah, maka sesiapa yang ingin membaca al-Quran haruslah dimulakan dengan mengenali huruf hijaiyah. Proses pembelajarannya secara konvensional memerlukan bimbingan guru secara bersemuka bagi menunjukkan cara sebutan dan mengesahkan sebutan. Perkembangan teknologi hari ini telah memudahkan proses pembelajaran tersebut. Fitur MFCC sering digunakan dalam pengelasan sebutan huruf hijaiyah, walaupun begitu, prestasi ketepatan kajian lepas masih rendah. Pemilihan dan penggunaan teknik pengelasan berasaskan pembelajaran mesin yang kurang sesuai juga mempengaruhi prestasi ketepatan teknik pengelasan. Kajian ini dijalankan bagi mengenalpasti fitur yang sesuai dan yang diperlukan bagi mengelaskan sebutan 30 huruf hijaiyah serta mengenalpasti dan mencadangkan teknik pengelasan yang terbaik bagi mengelaskan sebutan 30 huruf hijaiyah. Bagi kajian ini, pengelasan ke atas sebutan huruf hijaiyah telah dibuat menggunakan teknik pengelasan pembelajaran mesin. Kajian yang dibuat dan diimplementasikan ini boleh dibahagikan kepada enam fasa utama iaitu pra- pemprosesan isyarat, penyarian fitur, pemprosesan fitur, pemilihan fitur, pengelasan dan fasa terakhir merupakan fasa pengujian, penilaian dan analisis. Pemprosesan isyarat melibatkan proses seperti pra-penekanan dan penghapusan hingar. Seterusnya, penyarian fitur dan kajian ini telah menyari beberapa fitur termasuklah penggunaan teknik Mel-Frequency Cepstrum Coefficients (MFCC) bagi menyari fitur pekali MFCC. Penyarian fitur yang lain juga telah dibuat iaitu fitur keamatan, pitch dan kadar persilangan sifar. Fasa seterusnya melibatkan pemprosesan fitur di mana data fitur dinormalisasi, diseimbangkan dan dirombak. Pemilihan fitur telah dibuat terlebih dahulu bagi mengenalpasti fitur yang terbaik bagi mengecam sebutan huruf hijaiyah berdasarkan pemilihan fitur menggunakan teknik CorrelationAttributeEval yang turut memerlukan penggunaan kaedah carian Ranker dalam perisian Weka©. Bagi pengelasan fitur pula, teknik K-Nearest Neighbour (KNN), J48, Artificial Neural Network (ANN), Naïve Bayes (NB), Support Vector Machine (SVM) dan Random Forest (RF) telah digunakan sebagai teknik pengelasan. Fasa terakhir merupakan fasa pengujian, penilaian dan analisis di mana eksperimen telah dijalankan sebanyak lima kali (k=5). Prestasi teknik pengelasan dinilai berdasarkan metrik ketepatan. Data yang digunakan dalam kajian ini dikumpulkan menggunakan kaedah kuantitatif, iaitu data diambil melalui sampel rakaman suara yang diperolehi menggunakan Borang Google. Dapatan kajian menunjukkan fitur MFCC merupakan fitur paling ketara dan sesuai bagi mengelaskan sebutan huruf hijaiyah berbanding fitur-fitur lain yang telah disari berdasarkan pemilihan fitur. Perbandingan prestasi ketepatan menunjukkan teknik pengelasan RF mempunyai ketepatan yang baik dengan menggunakan fitur MFCC, iaitu purata sebanyak 97~99% bagi setiap huruf berbanding teknik pengelasan lain yang telah diuji dalam kajian ini. Kesimpulannya, penggunaan fitur MFCC dan teknik pengelasan RF mampu memberikan prestasi ketepatan pengelasan sebutan huruf hijaiyah yang baik walaupun dengan penggunaan 30 kelas. Description: Partial Fri, 25 Feb 2022 00:00:00 GMT https://ptsldigital.ukm.my/jspui/handle/123456789/772513 2022-02-25T00:00:00Z https://ptsldigital.ukm.my/jspui/handle/123456789/772512 Title: Kerangka integrasi carta kawalan dan nipals untuk ramalan prestasi akademik pelajar berasaskan data masa efikasi kendiri Authors: Mohammad Zahid Mohammad Sabri (P103020) Abstract: Model ramalan prestasi pelajar penting untuk membantu bukan sahaja pelajar itu sendiri tetapi juga tenaga pengajar dalam mengenal pasti pelajar yang berisiko mempunyai masalah atau pun berupaya untuk cemerlang pada masa hadapan. Banyak model ramalan telah dikembangkan menggunakan teknik pembelajaran mesin untuk meramal prestasi pelajar, namun masih terdapat beberapa kelompangan yang perlu diisi iaitu faktor masa yang berterusan, efikasi kendiri dan tingkah laku dalam pembelajaran pelajar. Oleh itu, carta kawalan digunakan untuk mengenal pasti data pelajar yang bermasalah dan seterusnya diaplikasikan dalam model Analisis Diskriminan PLS (DPLS) berasaskan algoritma Non-Linear Iterative Partial Least Square (NIPALS). Kajian ini bertujuan membangunkan satu kerangka peramalan integrasi yang menggabungkan carta kawalan Hotelling T2 bersama DPLS berasaskan algoritma NIPALS dalam meramal prestasi akademik pelajar. Carta kawalan berfungsi sebagai model pengesanan atau penapis manakala model ramalan DPLS bertindak sebagai peramal. Faktor masa diintegrasikan ke dalam set data meggunakan konsep Analisis Komponen Utama Multiarah (MPCA) dengan penambahan bilangan minggu sebagai pemboleh ubah baharu untuk membentuk matriks data tiga dimensi. Proses unfolding dibuat ke atas kumpulan data ini dan disusun semula menjadi satu matriks data dua dimensi yang besar sebelum model ramalan berasaskan NIPALS dibangunkan. Analisis Diskriminan PLS (DPLS) berasaskan algoritma NIPALS digunakan dalam membangunkan model ramalan di antara matriks data X dan Y berdasarkan kepada kategori gred keputusan akhir bagi setiap pelajar. Kerangka yang dibangunkan menunjukkan keupayaan model carta kawalan dalam membuat pengesanan pelajar berisiko dan model DPLS yang dibangunkan menunjukkan kebolehan dalam meramal prestasi pelajar melalui data yang berterusan. Model ramalan DPLS berasaskan algoritma NIPALS berupaya untuk membuat ramalan yang baik bagi faktor masa berterusan berbanding ramalan melalui data secara one-off. Model ini dibangunkan menggunakan data masa dan prestasi sebenar yang dikumpul melalui 182 orang pelajar Institusi Pengajian Tinggi Awam. Pengintegrasian faktor masa dapat membantu dalam memantau corak perubahan prestasi menggunakan carta kawalan dan dalam meramal prestasi pelajar dengan lebih baik berbanding dengan tanpa berdasarkan faktor masa. Description: Full-text Mon, 15 Aug 2022 00:00:00 GMT https://ptsldigital.ukm.my/jspui/handle/123456789/772512 2022-08-15T00:00:00Z https://ptsldigital.ukm.my/jspui/handle/123456789/772502 Title: An improved yolov4-tiny-lite object detection model for mobile augmented reality Authors: Nafea,Mohammed Mansoor (P94004) Abstract: Augmented Reality (AR) is a technique that overlays digital information on objects or places in the real world to enhance the user experience. In particular, the AR technique is promising to provide unprecedented immersive experiences in the fields of entertainment, marketing, education, industry, fashion, and healthcare. Most existing AR techniques are able to recognize the 3D objects of the surroundings. However, they still suffer from the ability to detect complex objects in the real world. Moreover, object detection is now an important field of computer vision and AR. The goal of object detection process is to select and classify objects in many specialized fields and applications such as face detection and recognition. Several models such as YOLO, YOLO-LITE, and YOLOv4-tiny are used to detect the objects from the natural features. However, robust detection of objects from the natural features in AR development is still a complex problem and usually degraded the accuracy and requires high computational time and computation cost. To overcome these problems, this research is conducted to propose a new model based on hybridizing the You-Only-Look-Once- LITE (YOLO-LITE) with You-Only-Look- Once Version 4 tiny (YOLOv4-tiny). The proposed model is called You-Only-Look-Once Version 4-tiny-lite (YOLOv4-tinylite). Based on YOLO-LITE as the backbone network YOLOv4-tiny-lite used feature pyramid network to extract feature maps of various sizes and also use a "shallow and narrow" convolution layer to improve a detector. Thereby obtaining the ideal balance between detection speed and precision when used with portable devices and PCs without GPUs. YOLOv4-tiny-lite achieved a mAP of 52.6% for PASCAL VOC DATASET and 33.3% for the COCO dataset. YOLOv4-tiny-lite achieved about 20 FPS on a non-GPU device. The YOLOv4-tiny-lite has provided higher accuracy and less computational time compared to state of art non-GPU models. This proposed model promises to improve object detection for CPU-based devices, subsequently enhancing AR systems for mobile devices and other devices without GPUs. For future work the suggested model accuracy has to be improved in the future in order to be more accurate and useful in actual applications like autonomous driving. Description: Full-text Mon, 27 Mar 2023 00:00:00 GMT https://ptsldigital.ukm.my/jspui/handle/123456789/772502 2023-03-27T00:00:00Z