Analisis Korelasi Pemikiran Ibnu Sina dalam Implementasi Disiplin Positif di MaÔÇÖhad MAN 1 Gresik
DOI:
https://doi.org/10.31958/atjpi.v6i1.15040Keywords:
Pemikiran Ibnu Sina, Metode Disiplin Positif, Moral SantriAbstract
Penelitian ini mengeksplorasi implementasi pemikiran pendidikan Ibnu Sina, khususnya metode targhib wa tarhib dalam konteks penerapan disiplin positif di Ma'had Al-Hikmah MAN 1 Gresik. Fokus utama penelitian ini adalah strategi yang diterapkan oleh kepala sekolah dan pengurus MaÔÇÖhad dalam mengimplementasikan metode disiplin positif untuk membentuk karakter dan moral santri di era Society 5.0. Pendekatan kualitatif digunakan dengan metode studi lapangan, yang meliputi observasi, wawancara, dan dokumentasi. Observasi dilakukan sebanyak lima kali untuk menilai aktivitas santri serta interaksi antara pendidik dan santri. Wawancara dilakukan langsung dengan lima narasumber, termasuk kepala sekolah dan pengurus Ma'had yang dipilih menggunakan teknik purposive sampling. Analisis data mengikuti model Miles dan Huberman dengan penerapan triangulasi untuk menjamin validitas data. Hasil penelitian menunjukkan bahwa strategi kepala sekolah dan pengurus dalam menerapkan metode disiplin positif efektif dalam membangun karakter dan moral santri, sejalan dengan nilai-nilai pendidikan Ibnu Sina yang menekankan kasih sayang dan pemahaman karakter individu. Ma'had Al-Hikmah berupaya menciptakan generasi muda yang mampu menghadapi tantangan digital dengan integritas dan rasa tanggung jawab yang tinggi. Penelitian ini diharapkan memberikan kontribusi terhadap pengembangan strategi pendidikan yang lebih baik dan pemahaman yang lebih dalam mengenai integrasi nilai-nilai moral dalam pendidikan modern.
References
Aldi, M. W. P., Jondri, J., & Aditsania, A. (2018). Analisis dan Implementasi Long Short Term Memory Neural Network untuk Prediksi Harga Bitcoin. eproceedings of engineering, 5(4) 3549-3554.
Alhamdani F.D.S. (2021). Prediksi Harga Emas Mengunakan Metode Time Series Long Short-Term Memory Neural Network. Doctoral Dissertation Universitas Muhammadiyah Malang, 3(4) 33-43.
Choi, H. K. (2008). Stock Price Correlation Coeficient Prediction With Arima-Lstm Hybrid Model. arXiv:1808.011560v5 [cs.CE], 8.
Kurniawan, D. (2021). Pengenalan Machine Learning dengan Phyton. . Bandung: Informatika Bandung.
Lusiana, A., & Yuliarty, P. (2020). Penerapan Metode Peramalan (Forecasting) Pada Permintaan Atap Di PT. X. Industri Inovatif: Jurnal Teknik Industri, 10(1) 11-20. http://doi.org/10.36040/industri.v10i1.2530
Purnomo, H., Suyono, H., & Hasanah, R. N. (2021). Peramalan Beban Jangka Pendek Sistem Kelistrikan Kota Batu Menggunakan Deep Learing Long Shot-Term Memory. transmisi: jurnal ilmiah teknik elektro, 23(30), 97-102. http://doi.org/doi:10.14710/transmisi.23.3.97-102
Puteri, D. I, (2023). Implementasi Long Short Term Memory (LSTM) dan Bidirectional Long Short Term Memory (BiLSTM) Dalam Prediksi Harga Saham Syariah. EULER: Jurnal Ilmiah Matematika, Sains dan Teknologi, 11(1), 35-43. http://doi.org/10.34312/euler.v11i1.19791
Qori, P. A., Oktafani, D. S., & Kharisudin, I. (2022). Analisis Peramalan dengan Long Short Term Memory Pada Data Kasus Covid-19 di Provinsi Jawa Tengah. In PRISMA, Prosiding Seminar NASIONAL MATEMATIKA, 5, 752-758.http://doi.org/10.34312/jjom.v4i2.15220
Raharjo, A. B., Wakhid, M. A., & Purwitasari, D. (2022). Load Forecasting For Daily Load Operational Plan Using Lstm (Case Study: South Sulawesi Sub System). Jurnal Ilmiah Teknologi Informasi, 20 (2), 99-108.
Selle, N., Yudistira, N., & Dewi, C. (2022). Perbandingan Prediksi Penggunaan Listrik dengan Menggunakan Metode Long Short Term Memory (LSTM) dan Recurrent Neural Network (RNN). Jurnal Teknologi Informasi dan ILMU KOMPUTER, 9(1), 155-162. http://doi.org/10.25126/jtiik.2022915585
Somantri, O., & Supriyanto, C. (2016). Algoritme Genetika untuk Peningkatan Prediksi Kebutuhan Permintaan Energi Listrik. Jurnal Nasional Teknik Elektro dan Teknologi Informasi (JNTETI), 5(2), 108-114.
Syahputra, R., Syahfitra, F. D., Putra, K. T., & Soesanti, I. (2020). Prediksi Beban Listrik Menggunakan Algoritma Jaringan Syaraf Tiruan Tipe Propagasi-Balik . Semesta Teknika, 23(2), 143-155. http://doi.org/10.18196/st.v23i2.9940
Wardana, I. N. K., Jawas, N., & Aryanto, I. K. A. A. (2020). Prediksi Penggunaan Energi Listrik pada Rumah Hunian Menggunakan Long Short-Term Memory. TIERS Information Technology Journal, 1(1)
Wardani, W. W. K. (2021), “Prediksi Harga Saham Syariah Menggunakan Metode Recurrent Neural Network-Long Short Term Memory,” UIN Sunan Ampel Surabaya
Wiranda, L., & Sadikin, M. (2019). Penerapan Long Short Term Memory pada Data Time Series untuk Memprediksi Penjualan Produk PT. Metiska Farma. Jurnal Nasional Pendidikan Teknik Informatika: JANAPATI, 8(3), 184-196. http://doi.org/10.23887/janapati.v8i3.19139
Downloads
Additional Files
Published
Issue
Section
License
Copyright (c) 2025 Fita Azkiyatur Rofi'ah
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a?á?áCreative Commons?áAttribution-NonCommercial 4.0 International.that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
