Assessing Physical Fitness of Elementary School Students: A Case Study of SD Negeri 002 Lubuk Baja, Batam City
Notice bibliographique
Résumé
This study applies the Mamdani Fuzzy Logic method to assess the physical fitness levels of students at SD Negeri 002 Lubuk Baja, Batam.Physical education, which has been implemented since first grade, aims to improve students' physical fitness, playing an important role in enhancing learning effectiveness.However, many students are unaware of their fitness levels, which can affect their learning performance.The sample consisted of two students, one male and one female, who were tested with Sit-Up, Squat Jump, and Running exercises.The results were categorized as 'fit' based on their heart rate before and after physical activities.Validation of the results was conducted by comparing the Mamdani output with assessments from physical education teachers and experts.The validation metrics showed 100% accuracy in classifying the students' fitness levels, based on manual calculations and MATLAB simulations.For the male student, the output was 141 (MATLAB) and 140.9967 (manual), with the fitness decision being 'fit.'For the female student, the output was 122 (MATLAB) and 121.7945 (manual), with the fitness decision also being 'fit.'This study demonstrates that the Mamdani Fuzzy Logic method is effective for assessing students' physical fitness and provides accurate decisions that align with the students' actual fitness.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».