Meningkatkan Hasil Belajar Lari Sprint Melalui Permainan Hitam Hijau Pada Siswa
Bibliographic record
Abstract
Pembelajaran lari sprint siswa kelas V SD Negeri Padamenak banyak mengalami permasalahan yang timbul dalam pembelajaran dengan hasil pembelajaran siswa yang kurang dari nilai rata-rata dibawah nilai KKM 75 yang telah ditentukan guru. Penelitian ini bertujuan untuk meningkatkan hasil belajar lari sprint melalui permainan hitam hijau pada siswa kelas V SD Negeri Padamenak Kecamatan Jalaksana Kabupaten Kuningan Tahun Pelajaran 2014/2015. Penelitian ini menggunakan metode penelitian tindakan kelas (Class Action Research), tindakan dalam penelitian ini dibagi dalam dua siklus, dalam tiap siklus menunjukan perkembangan proses pembelajaran jasmani pada materi lari sprint. Subjek penelitian ini adalah siswa kelas V SD Negeri Padamenak pada semester II tahun pelajaran 2014/2015 yang berjumlah 50 siswa terdiri atas 22 siswa putra dan 28 siswa putri. Instrumen yang digunakan untuk pengambilan data pada penelitian ini adalah lembar pengamatan, dan tes unjuk kerja siswa. Analisis data yang digunakan dalam penelitian ini adalah analisis deskriptif. Data penelitian ini berupa hasil belajar siswa yang meliputi ranah afektif, kognitif, dan psikomotor. Data penelitian menunjukan bahwa pelaksanaan pembelajaran lari sprint melalui penerapan permainan hitam hijau dapat meningkatkan hasil belajar lari sprint dari kondisi awal persentase siswa yang nilainya mencapai KKM 75 sebesar 40% atau 20 anak dari jumlah keseluruhan siswa, pada tindakan siklus pertama persentase siswa yang nilainya mencapai KKM mencapai 70% atau sebanyak 35 siswa kemudian pada siklus kedua persentase ketuntasan belajar mencapai 86% atau sebanyak 43 siswa. Hasil penelitian ini dapat disimpulkan bahwa melalui penerapan permainan hitam hijau pada materi pembelajaran lari sprint dapat meningkatkan hasil belajar siswa pada siswa kelas V SD Negeri Padamenak Kecamatan Jalaksana Kabupaten Kuningan. Penulis memberi saran bagi guru hendaknya terus berusaha untuk meningkatkan kemampuannya dalam mengembangkan materi, menyampaikan materi, sehingga kualitas pembelajaran yang dilakukan dapat meningkat sehingga tujuan pembelajaran bisa tercapai.
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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.047 | 0.009 |
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".