ANALISIS PERSEPSI SISWA PADA MATERI KOLOID DALAM PEMBELAJARAN KIMIA DENGAN MENGGUNAKAN MENTAL IMAGE ANALYSIS OF STUDENT’S
Bibliographic record
Abstract
Penggambaran makroskopis, mikroskopis dan simbol dalam mata pelajaran kimia yang disebut sebagai triangle levels of representations dapat membuat persepsi siswa terhadap konsep menjadi berbeda-beda dan ada kemungkinan mengalami miskonsepsi atau kesalahan konsep. Visualisasi dapat memperjelas persepsi atau mental image siswa mengenai gambaran suatu konsep yang ada dalam pikirannya. Pada pembelajaran materi koloid selama ini disampaikan dengan analogi secara verbal, sehingga dapat menimbulkan persepsi siswa yang berbeda-beda terhadap suatu konsep. Diharapkan jika terdapat kesalahan persepsi (miskonsepsi) pada siswa, maka akan dapat dideteksi lebih awal dengan menggunakan mental image. Tujuan penelitian ini adalah untuk mengetahui persepsi siswa terhadap konsep-konsep dalam materi koloid dengan menggunakan mental image. Penelitian dilaksanakan di SMA Negeri 1 Tangerang pada bulan Mei-Juni 2013. Metode yang digunakan adalah metode deskriptif analisis. Sampel dalam penelitian ini adalah siswa kelas XI IPA 1 dan XI IPA 2. Hasil penelitian menunjukkan bahwa sebagian besar siswa masih mengalami miskonsepsi pada beberapa konsep pada materi koloid. Kata kunci: miskonsepsi, koloid, mental image
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.017 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".