Aplikasi Media Pembelajaran Lontara Bugis Pada Anak Usia Dini Menggunakan Augmented Reality Berbasis Android
Bibliographic record
Abstract
Lontara bugis merupakan sebuah huruf sakral bagi masyarakat bugis klasik, lontara mempunyai peranan yang sangat penting dalam kehidupan masyarakat orang bugis karena lontara mengandung nilai-nilai budaya yang tinggi yang menjadi pedoman hidup dan kehidupan masyarakan orang bugis Salah satu teknologi yang dapat digunakan sebagai media pembelajaran anak usia dini untuk mengenal lontara bugis adalah teknologi augmented reality. Teknologi Augmented Reality atau yang lebih dikenal dengan Realitas tertambah merupakan teknologi yang bisa di gunakan di smartphone karena sistem pada Augmented Reality adalah menganalisa secara real-time objek yang ditangkap dalam kamera.Metode penelitian yang digunakan dalam penelitian ini merupakan metode sekuensial linier. Pengumpulan data dilakukan dengan menggunakan teknik sampling, yaitu dengan mengambil gambar pola pada modus kamera dari lontara Bugis. Hal ini dilakukan untuk dapat mengenali Lontara Bugis berdasarkan pola marker yang telah diberikan. Dengan teknologi augmented Reality maka dibangunlah aplikasi berbasis android yang dapat digunakan untuk melakukan proses pembelajaran tentang pengenalan lontara bugis pada platform Android.Hasil penelitian dari aplikasi media pembelajaran lontara bugis pada anak usia dini menggunakan augmented reality berbasis android menunjukkan bahwa aplikasi dinyatakan layak digunakan dan secara fungsional sistem dapat menghasilkan output yang dan secara fungsional sistem dapat digunakan dengan baik.
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) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.048 | 0.017 |
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".