A PENGEMBANGAN MEDIA BIG BOOK UNTUK MENINGKATKAN HASIL BELAJAR MATERI PECAHAN KELAS II MADRASAH IBTIDAIYAH
Bibliographic record
Abstract
Tujuan dari penelitian ini adalah 1) Untuk mengetahui apakah media big book cocok untuk materi pecahan pada siswa kelas II MI di Kabupaten Rembang. 2) untuk mengetahui dapat atau tidaknya buku besar materi pecahan di kelas II MI Kabupaten Rembang dapat dilaksanakan. 3) Untuk mengetahui seberapa baik data pecahan siswa kelas II MI Kabupaten Rembang diolah dengan media buku besar. Strategi penelitian ini menggunakan pengujian produk eksperimental dalam hubungannya dengan metode R&D kuantitatif. mengumpulkan informasi dari tes, khususnya protes dan pretest. Langkah-langkah yang dilakukan dalam penelitian ini adalah sebagai berikut: 1) Isu dan kemungkinan; 2) Mendapatkan data; dan 3) Desain produk. 4) Melakukan evaluasi produk ahli. 5) Membuat produk menjadi lebih baik atau mengubahnya. 6) Uji lapangan dan 7) Penyusunan laporan Analisis data menggunakan analisis deskriptif. Hasil analisis dan hasil penelitian 1) Media big book yang terbuat dari bahan pecahan memenuhi persyaratan untuk digunakan, Dengan mengembangkan materi pecahan dan menyisipkan gambar yang menawan, terciptalah media ledger. Tahap pengembangan terdiri dari lima langkah: evaluasi, desain, pengembangan, dan implementasi. 2) Media pembelajaran big book yang dikembangkan untuk materi pecahan dianggap layak pakai. Hasil validasi ahli media dengan nilai 69,99% masuk kategori “baik”, dan ahli materi memberikan nilai 78,33% masuk kategori “baik”. Uji coba kelompok kecil memperoleh skor “sangat baik” sebesar 98%, sedangkan uji coba kelompok besar memperoleh skor “sangat baik” sebesar 97%. 3) Nilai t hitung sebesar 4,783 lebih besar dari nilai t tabel sebesar 2,093 dan nilai sig (2-tailed) sebesar 0,05 yang menunjukkan bahwa rata-rata hasil posttest kelompok eksperimen dan kontrol berbeda. Nilai posttest kelompok eksperimen diketahui sebesar 92, sedangkan nilai posttest kelompok kontrol sebesar 80,25. Hal ini menunjukkan bahwa kelompok eksperimen yang menggunakan media bigbook lebih berhasil dibandingkan kelompok kontrol dalam meningkatkan hasil belajar pada materi pecahan.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.011 | 0.010 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.158 | 0.063 |
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".