Penerapan Augmented Reality (AR) Dalam Desain Arsitektur Sebagai Upaya Keberlanjutan di Dunia Konstruksi
Bibliographic record
Abstract
Dalam perancangan arsitektural, kertas masih menjadi media utama untuk visualisasi desain, terutama melalui gambar teknis dan presentasi proyek. Namun, penggunaan kertas secara berlebihan berdampak negatif pada lingkungan akibat penebangan hutan dan limbah kertas, yang bertentangan dengan upaya global menuju keberlanjutan di sektor konstruksi. Penelitian ini bertujuan untuk mengeksplorasi potensi Augmented Reality (AR) sebagai media visualisasi yang lebih ramah lingkungan. Metodologi penelitian yang di impelementasikan menggabungkan pendekatan kualitatif dan eksperimen, pengabungan dua pendekatan ini akan menghasilkan hasil yang lebih maksimal. Hasil analisis dan eksperimen menunjukkan bahwa penggunaan AR tidak hanya efektif dalam mengurangi limbah kertas, tetapi juga meningkatkan efisiensi proses desain dan komunikasi. Teknologi AR memungkinkan pengguna menelusuri desain bangunan dengan lebih rinci, mengidentifikasi potensi masalah lebih awal, dan melakukan penyesuaian desain secara cepat. Di samping dampak positif terhadap lingkungan, penggunaan AR juga mempercepat proses pengambilan keputusan dan kolaborasi antar-stakeholder melalui pengalaman visual yang realistis dan interaktif. Hasil penelitian ini diharapkan dapat mendorong penerapan teknologi yang mendukung keberlanjutan dalam industri konstruksi, serta pelaku industri untuk mengadopsi metode visualisasi modern yang lebih efisien dan ramah lingkungan.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.025 | 0.007 |
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".