Pengaruh Penggunaan Media Busy Book Untuk Melatih Kemampuan Motorik Halus Pada Siswa Autis
Bibliographic record
Abstract
Penelitian ini dilatarbelakangi permasalahan yang ditemukan di lapangan pada siswa autis yang mengalami hambatan motorik halus, sehingga perkembangannya terganggu dalam pengembangan diri. Tujuan dari penelitian ini untuk melatih kemampuan motorik halus pada siswa autis dengan menggunakan media busy book, Penelitian ini menggunakan metode Pre-eksperimen dengan jenis One Group Pre-Test Post- Test Design. Hasil dari penelitian ini menunjukkan bahwa sebagian besar siswa mengalami peningkatan setelah diberikan treatment menggunakan busy book, menunjukkan kemampuan mengancingkan baju ada 2 anak autis yang mulai berkembang sesuai harapan sebesar 29,6% dan 3 anak dengan persentase 70,4% anak berkembang sangat baik. 2) Pada kemampuan menali sepatu terdapat 3 anak dengan persentase 64% anak yang mulai berkembang sesuai harapan dan 2 anak dengan persentase 36% anak berkembang sangat baik. 3) Pada kemampuan menempel pola terdapat 2 anak dengan persentase 27,2 % anak yang mulai berkembang sesuai harapan dan 3 anak dengan persentase 72,8 % anak yang berkembang sangat baik serta adanya perbedaan yang signifikan setelah dibuktikan melalui uji Paired Sample T-Test yaitu (p=0,001<0,005) yang artinya Ho ditolak dan Ha diterima, sehingga dapat disimpulkan bahwa media busy book efektif untuk melatih kemampuan motorik halus pada siswa autis di SDN Lemah Putro 1 Sidoarjo.
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) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.053 | 0.006 |
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".