Publication Search

The growing interest in learning the Japanese language in Indonesia, driven by popular culture such as anime, creates a need to understand the effectiveness of different learning media. The non-uniform effectiveness of media for each individual poses a major challenge. Therefore, this study aims to analyze the effectiveness of both anime and textbooks by segmenting learner profiles and identifying key determinants of success using an artificial intelligence approach. This research employed a quantitative method through a questionnaire survey of 120 respondents. The data were analyzed in two stages: the K-Means Clustering algorithm was used to group respondents into learner profiles, and the Decision Tree algorithm was used to identify the most significant factors that differentiate these profiles. The analysis successfully identified three distinct learner profiles: "Intensive & Adaptive Learner," "Flexible Learner," and "Passive Learner." The decision tree revealed that the perception of textbook effectiveness and the frequency of anime use are the strongest predictors in determining a learner's profile, more so than theoretical learning style preferences. It is concluded that media effectiveness is highly dependent on the learner's behavioral and perceptual profile, which underscores the importance of a personalized approach in language education technology.

Deteksi nyeri secara objektif merupakan tantangan penting dalam dunia medis, terutama bagi pasien yang tidak mampu menyampaikan rasa sakitnya secara verbal, seperti bayi, lansia, atau penderita gangguan komunikasi. Teknologi non- invasif berbasis sensor menjadi solusi potensial untuk mengatasi keterbatasan metode subjektif. Penelitian ini bertujuan meninjau secara sistematis literatur terkini mengenai penerapan Radar MIMO dan algoritma kecerdasan buatan dalam deteksi nyeri non-invasif. Metode yang digunakan adalah Systematic Literature Review (SLR) dengan pedoman PRISMA 2020, melalui penelusuran basis data IEEE Xplore, ScienceDirect, PubMed, Google Scholar, dan SpringerLink untuk periode 2021– 2025. Dari hasil seleksi diperoleh 17 artikel inklusi yang mencakup penggunaan Radar MIMO, UNBC-McMaster, BioVid, Medical Imaging (CT/MRI), Radar SISO, serta studi review, survey, bibliometrik, dan teoretis. Dari sisi algoritma, CNN dan SVM menjadi pendekatan paling dominan, diikuti Neural Network dan metode lain, dengan tren yang mengarah pada penggunaan multimodal untuk meningkatkan akurasi. Hasil penilaian kualitas dengan GRADE menunjukkan mayoritas studi berkualitas sedang, dengan keterbatasan utama pada ukuran sampel kecil, pelabelan nyeri yang belum konsisten, bias populasi, serta kurangnya validasi klinis nyata. Kesimpulannya, Radar MIMO dan algoritma deep learning memiliki potensi besar untuk deteksi nyeri non-invasif. Namun, penelitian lanjutan perlu difokuskan pada pembangunan dataset yang lebih inklusif, standarisasi pelabelan nyeri, serta pengujian dalam konteks klinis, dengan memperhatikan aspek etika dan privasi agar teknologi ini dapat diimplementasikan secara luas dalam layanan kesehatan.