ABDILAH, FAISAL MAULANA (2026) RANCANG BANGUN APLIKASI PEMBELAJARAN BERBASIS KECERDASAN BUATAN UNTUK BELAJAR MENULIS DAN MENGUCAPKAN KATA DALAM BAHASA INGGRIS. S1 thesis, Universitas Mercu Buana Jakarta.
|
Text (HAL COVER)
Cover.pdf Download (1MB) | Preview |
|
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (BAB I)
Bab 1.pdf Restricted to Registered users only Download (458kB) |
|
|
Text (BAB II)
Bab 2.pdf Restricted to Registered users only Download (615kB) |
|
|
Text (BAB III)
Bab 3.pdf Restricted to Registered users only Download (631kB) |
|
|
Text (BAB IV)
Bab 4.pdf Restricted to Registered users only Download (3MB) |
|
|
Text (BAB V)
Bab 5.pdf Restricted to Registered users only Download (448kB) |
|
|
Text (DAFTAR PUSTAKA)
Daftar Pustaka.pdf Restricted to Registered users only Download (351kB) |
|
|
Text (LAMPIRAN)
Lampiran.pdf Restricted to Registered users only Download (808kB) |
Abstract
The English language learning policy at the elementary school level, effective from the 2027/2028 school year, increases the need for supplementary materials that help children learn vocabulary and practice pronunciation from an early age. However, limitations in teacher competence and mobile device specifications challenge the provision of interactive and accessible learning experiences. This study aims to design and develop an Android-based English learning app for early childhood by integrating artificial intelligence, edge-cloud architecture, and gamification using the Prototype development model. On the edge side, Google ML Kit optical character recognition (OCR) recognizes physical letters captured in photos. Sherpa-ONNX speech-to-text (STT) generates transcriptions for comparison with target text, while text-to-speech (TTS) produces audio examples. On the cloud side, a large language model (LLM) via the Groq application programming interface (API) generates only bilingual example sentences and contextual prompts, rather than determining answer correctness. Gamification is implemented through experience points (XP), levels, visual rewards, leaderboards, friendships, and single- and multiplayer minigames. Black-box testing shows that authentication, learning, progress management, friendship, gamification, and minigame features function as intended. On the minimum-spec device, average processing times for OCR, STT, TTS, and LLM were 648.64 ms, 860.47 ms, 786.08 ms, and 822.09 ms, respectively. These results indicate that edge-cloud processing can support application operation on Android devices with limited specifications within the scope of testing. Consequently, the study produced an interactive, multimodal, and responsive app for learning English vocabulary and pronunciation. Keywords: Android, Artificial Intelligence, Edge-Cloud, English Language Learning, Gamification. Kebijakan pembelajaran bahasa Inggris pada tingkat sekolah dasar mulai tahun ajaran 2027/2028 meningkatkan kebutuhan akan media pendamping yang membantu anak mengenal kosakata dan melatih pengucapan sejak dini. Namun, keterbatasan kompetensi pengajar dan spesifikasi perangkat seluler menjadi tantangan dalam menyediakan pembelajaran yang interaktif dan mudah diakses. Penelitian ini bertujuan merancang dan membangun aplikasi pembelajaran bahasa Inggris berbasis Android untuk anak usia dini dengan mengintegrasikan kecerdasan buatan, arsitektur edge-cloud, dan gamifikasi. Penelitian menggunakan metode rancang bangun perangkat lunak dengan model pengembangan Prototipe. Pada sisi edge, Google ML Kit optical character recognition (OCR) untuk mengenali huruf fisik yang difoto. Sherpa-ONNX speech-to-text (STT) menghasilkan transkripsi untuk dibandingkan secara tekstual dengan target dan text-to-speech (TTS) untuk menghasilkan contoh audio. Pada sisi cloud, large language model (LLM) melalui Groq application programming interface (API) hanya menghasilkan kalimat contoh bilingual dan konteks pengingat, bukan menentukan kebenaran jawaban. Unsur gamifikasi diterapkan melalui poin pengalaman (XP), level, penghargaan visual, papan peringkat, pertemanan, serta minigame tunggal dan multipemain. Hasil pengujian black-box menunjukkan bahwa fitur autentikasi, pembelajaran, pengelolaan progres, pertemanan, gamifikasi, dan minigame berfungsi sesuai skenario uji. Pada perangkat minimum, rerata waktu pemrosesan OCR, STT, TTS, dan LLM masing-masing adalah 648,64 ms, 860,47 ms, 786,08 ms, dan 822,09 ms. Hasil tersebut menunjukkan bahwa pembagian pemrosesan edge-cloud dapat mendukung pengoperasian aplikasi pada perangkat Android dengan spesifikasi terbatas dalam ruang lingkup pengujian. Dengan demikian, penelitian menghasilkan aplikasi media pendamping pembelajaran kosakata dan pengucapan bahasa Inggris yang interaktif, multimodal, dan responsif. Kata kunci: Android, Edge-Cloud, Gamifikasi, Kecerdasan Buatan, Pembelajaran Bahasa Inggris.
Actions (login required)
 |
View Item |
