Abg Kakek Ml Ama Cucu Sendiri. Kakek 01.3gp May 2026

Keesokan harinya, Bima meminjam laptop milik temannya, menginstal pemutar video yang dapat membuka format .3gp, dan menyalakan flashdisk itu. Di layar, muncul gambar berwarna pudar: seorang pria tua berambut putih, memakai baju batik lusuh, sedang duduk di kursi goyang di depan rumah bambu. Di sampingnya, seorang anak laki‑laki berumur kira‑kira delapan tahun—dengan kulit yang mirip dengan Raden—menaruh buku cerita di pangkuannya.

Suara berderak dari speaker tua itu mengisahkan sebuah hari ketika Raden, masih berusia 30‑an, menemukan seorang anak yang tersesat di hutan saat sedang menebang kayu. Anak itu, yang kemudian dikenal sebagai Manda, ternyata adalah cucu pertamanya yang belum pernah dikenalnya karena perpecahan keluarga. Raden, dengan hati yang lembut, memutuskan untuk merawat Manda sebagai cucu sendiri, walaupun ia tak pernah tahu siapa orang tua sang anak.

Selama beberapa menit, video menampilkan momen-momen sederhana: Raden mengajari Manda cara menenun anyaman rotan, mereka berdua menjemur ikan di atas anyaman bambu, dan di malam hari mereka duduk menatap bintang sambil mendengarkan cerita-cerita legenda setempat. Ada tawa, ada air mata, dan ada satu kata yang diulang‑ulang oleh Manda: “Kakek, aku suka kamu.” ABG kakek ML ama cucu sendiri. kakek 01.3gp

from scenedetect import VideoManager, SceneManager
from scenedetect.detectors import ContentDetector
video_manager = VideoManager(str(video_path))
scene_manager = SceneManager()
scene_manager.add_detector(ContentDetector(threshold=30.0))
video_manager.start()
scene_manager.detect_scenes(frame_source=video_manager)
scene_list = scene_manager.get_scene_list()
print(f"Detected len(scene_list) scenes:")
for i, (start, end) in enumerate(scene_list):
    print(f"  Scene i+1: start.get_timecode(), end.get_timecode()")

Each scene can be summarised by averaging its visual embeddings, MFCCs, or by generating a short text caption using a vision‑language model (e.g., BLIP).

| Phase | Activity | Tools | |-------|----------|-------| | Data Collection | Grandparent writes down 20 family recipes, teen adds numeric tags (spiciness, cooking time). | Google Sheets | | Feature Engineering | Convert categorical ingredients to “one‑hot” vectors. | Pandas | | Model | Train a Decision‑Tree regressor to predict cooking time based on ingredients. | Scikit‑learn | | Evaluation | Compare predicted vs. actual time (Mean Absolute Error). | Jupyter/Colab | | Presentation | Record a 1‑minute 3GP video showing the model predicting the time for a new recipe. | Screen recorder + HandBrake | | Reflection | Discuss why the model mis‑predicted a particularly “slow‑cooking” stew. | Conversation | Each scene can be summarised by averaging its

Setelah serangkaian proyek, Pak Jaya menutup laptop dan menatap Nina dengan mata yang bersinar.

“Nina, apa yang paling kamu pelajari dari semua ini?” tanya Pak Jake. Nina berpikir sejenak

Nina berpikir sejenak, lalu menjawab:

Pak Jaya mengangguk puas. Ia menyadari bahwa generasi muda seperti Nina dapat menjadi “ML‑heroes”—pahlawan yang menggabungkan teknologi dengan hati.