SISTEM PENDUKUNG KEPUTUSAN CALON PENERIMA BANTUAN PROGRAM KELUARGA HARAPAN (PKH) MENGGUNAKAN METODE ANALYTICAL HIERARCY PROCESS (AHP)
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Kemiskinan merupakan masalah kompleks yang bisa disebabkan dari berbagai faktor seperti : aspek ekonomi, sosiologis, antropologis, kebijakan, teknologi serta perubahan global. Kemiskinan juga berimplikasi terhadap pendidikan, kesehatan, kemampuan ekonomi, serta partisipasi masyarakat dalam sebuah negara. Di Indonesia Program Keluarga Harapan atau yang biasa disebut dengan PKH hadir sebagi salah satu solusi bagi negara untuk hadir membantu masyarakat miskin dan menjadi salah satu tahapan menuju sistem perlindungan sosial. Menurut Dinas Kementrian Sosial, Program Keluarga Harapan (PKH) adalah program pemberian bantuan bersyarat kepada Keluarga Miskin (KM) yang ditetapkan sebagai keluarga penerima manfaat (PKH). Dalam istilah internasional dikenal dengan Conditional Cash Transfers (CCT). Untuk membantu pendamping PKH dalam mengolah data dalam proses seleksi penerima bantuan program keuarga harapan maka peneliti menggunakan metode Analytical Hierarcy Process (AHP) yang akan dihitung dengan menggunakan program aplikasi Microsoft Excel 2010 dan akan di input ke aplikasi web programing untuk memudahkan dalam penghitunganya. Penentuan Kriteria Meliputi 9 Kriteria yang masing-masing kriteria memiliki 3 subkriteria yaitu : Kepemilikan Telfon Seluler, Pekerjaan, Penghasilan, Status Tempat Tinggal, Jenis Lantai, Kondisi Rumah, Fasilitas Jamban, Pendidikan, Wawancara Tetangga. Dari hasil penelitian ini diharapkan akan dapat membantu dan memudahkan pendamping PKH dalam proses seleksi penerima bantuan program keluarga harapan di Kabupaten Pesawaran Provinsi Lampung.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,005 | 0,010 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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 découle