POTENSI RAWAN BANJIR KECAMATAN MUARA BANGKAHULU SEBAGAI PENUNJANG PEMBELAJARAN MATERI PEMANASAN GLOBAL DI SMPN 11 KOTA BENGKULU
Notice bibliographique
Résumé
Abstrak Dalam mencapai tujuan penelitian, pemetaan wilayah potensi banjir melalui pendekatan zonasi spasial berdasarkan elevasi, jarak dari sungai, dan jarak dari garis pantai. Data koordinat dan elevasi diperoleh langsung di lapangan menggunakan GPS Epoch TM 10 L1. Hasil penelitian ditampilkan sebagai penunjang dalam pembelajaran Pemanasan Global melalui pembelajaran berbasis masalah (PBL). Penelitian ini menggunakan metode quasi eksperimen dengan 32 peserta didik. Hasil penelitian didapat peta rawan banjir yang diklasifikasikan ke dalam 3 zona rawan banjir, yaitu zona rawan satu, zona rawan dua, dan zona rawan tiga dengan wilayah paling rawan ada pada Kelurahan Rawa Makmur, Rawa Makmur Permai, dan Beringin Raya. Implementasi penelitian pada pembelajaran menunjukkan bahwa setelah belajar menggunakan model Problem Based Learning (PBL): 1) Hasil belajar kognitif peserta didik mengalami peningkatan dengan nilai rata-rata N-gain kelompok tinggi 0,81 (kriteria tinggi), kelompok sedang 0,60 (kriteria sedang), dan kelompok rendah 0,46 (kriteria sedang); 2) Terdapat perbedaan hasil belajar kognitif peserta didik antara kelompok tinggi, sedang dan rendah berdasarkan hasil Uji-Anava dengan nilai Fhitung = 20,68 lebih besar dari Ftabel = 3,33 pada taraf signifikansi 5%. Kata kunci: Kecamatan Muara Bangkahulu, Banjir, Rawan, Pemanasan Global, Model Problem Based Learning (PBL), Hasil belajar kognitif.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,047 | 0,013 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».