GDSS MULTI KRITERIA PENENTUAN STRATEGI MARKETING TERBAIK PERGURUAN TINGGI
Notice bibliographique
Résumé
Dunia pendidikan telah mengalami evolusi secara kontinyu. Salah satu faktor pemicunya adalah kompetisi antar perguruan tinggi yang semakin ketat. Oleh karena itu pemasaran menjadi unsur yang strategis dalam menjaga eksistensi perguruan tinggi. Dalam membuat keputusan pemilihan strategi marketing, terdapat beberapa kriteria yang perlu dipertimbangkan, diantaranya adalah biaya, waktu, tingkat pengaruh, capaian target dan lain sebagianya. Pada perguruan tinggi swasta pengambilan keputusan terkait strategi marketing tidak hanya ditentukan oleh bagian Humas saja, akan tetapi harus meminta pertimbangan dari pihak manajemen dan yayasan pemilik perguruan tinggi. Berdasarkan kompleknya permasalahan yang dihadapi, diperlukan sebuah sistem pendukung keputusan kelompok atau Group Decision Support System (GDSS) dalam menentukan strategi marketing pergurauan tinggi. Pada penelitian ini, penulis mengajukan GDSS menggunakan metode Analytical Hierarchy Process (AHP) yang mendukung model Multi Attribute Decision Making (MADM) dan Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) sebagai model untuk pengambilan keputusan. Penggunaan GDSS pada penelitian ini bertujuan untuk mengakomodir penilaian lebih dari satu evaluator dan meningkatkan kualitas keputusan. Dengan demikian diharapkan penilaian yang dilakukan lebih obyektif, karena tidak dilakukan oleh satu pihak saja. Perangkat lunak yang dibangun dari hasil penelitian ini diharapkan mempermudah dan mempercepat dalam menentukan strategi marketing perguruan tinggi.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,006 |
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 ».