ANALYTICAL HIERARCHY PROCCESS (AHP) UNTUK MEMBANGUN MESIN PENCARI DATA LULUSAN PERGURUAN TINGGI BERDASARKAN KEBUTUHAN PENGGUNA LULUSAN
Notice bibliographique
Résumé
Telah menjadi tugas perguruan tinggi untuk membuat lulusan terserap dunia kerja. Keterserapan lulusan di dunia kerja akan tinggi apabila perguruan tinggi dapat melakukan link & match antara kebutuhan perusahaan dengan kompetensi yang dimiliki lulusan. Link & match yang baik dapat terjadi jika didukung oleh ketersediaan data yang akurat dan pengolah data yang baik. Makalah ini melaporkan hasil penelitian pembuatan mesin pencari data lulusan yang dapat dimanfaatkan oleh pengguna lulusan untuk mencari lulusan suatu perguruan tinggi. Dengan metode Analytical Hierarchy Proccess (AHP) kriteria calon pegawai yang ditetapkan pengguna lulusan akan diurutkan berdasarkan skala prioritas kemudian dicocokkan dengan kompetensi lulusan. Apabila ditemukan kompetensi lulusan yang sesuai atau yang hampir sesuai maka mesin pencari akan menampilkan lulusan yang dimaksud beserta biodatanya untuk selanjutnya dapat dihubungi pihak pengguna lulusan. Dengan 14 kriteria dan 57 sub kriteria yang tersedia pengguna lulusan dapat menemukan sendiri lulusan yang dicari sesuai dengan kriteria yang dikehendakinya. Kata kunci: mesin pencari, data lulusan, AHP.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».