Rancang Bangun Aplikasi Pengenalan Hewan Langka Dan Terancam Punah Berbasis Augmented Reality
Notice bibliographique
Résumé
Indonesia merupakan negara yang memiliki keunikan pada keanekaragaman hayati serta tingkat endemisme yang sangat tinggi. Indonesia memiliki 17.504 pulau. Dari banyaknya pulau tersebut terdapat beberapa jenis hewan yang telah langka dan hampir punah. Namun, sebagian besar anak-anak belum mengetahui dan mengenal hewan-hewan langka dan terancam punah yang ada di Indonesia. Penelitian ini bertujuan untuk membantu mengatasi masalah tersebut dengan menggunakan teknologi Augmented Reality (AR), yaitu merancang sebuah aplikasi sebagai media pembelajaran pengenalan hewan langka dan terancam punah di Indonesia. Metode yang digunakan pada penelitian ini yaitu dimulai dengan pembahasan masalah, penentuan tujuan, studi pustaka, pengumpulan data, analisis sistem, dan desain sistem. Terdapat tiga hasil dari penelitian ini yaitu aplikasi mobile yang diberi nama AR Rare Animals, pengunjung website, dan admin website. Selain itu, penelitian ini juga menghasilkan pengujian terhadap aplikasi tersebut, metode yang digunakan dalam pengujian adalah pengujian blackbox yang fokus pada persyaratan fungsional dari aplikasi yang dibangun. Hasil dari pengujian black box yang telah dilakukan di seluruh halaman aplikasi AR Rare Animals menunjukkan bahwa, baik menu maupun kamera AR berfungsi dengan baik.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,041 | 0,016 |
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 ».