MétaCan
Menu
Retour à la cohorte
Enregistrement W3014611853

PERANCANGAN APLIKASI PERHITUNGAN BIAYA PERAWATAN TANAMAN KELAPA SAWIT PADA PT. LANGKAT NUSANTARA KEPONG (LNK) KEBUN BEKIUN SEBAGAI SOLUSI EFISIENSI BIAYA PERAWATAN

2017· article· id· W3014611853 sur OpenAlexaff
Muslim Hidayat, Sylvia Natalia Sinurat, Ediman Manik, Marto Sihombing

Notice bibliographique

Revuenon disponible
Typearticle
Langueid
DomaineBusiness, Management and Accounting
ThématiqueManagement and Optimization Techniques
Établissements canadiensKootenay Association for Science & Technology
Organismes subventionnairesnon disponible
Mots-clésPalm oilAgricultural scienceDatabaseAgricultural engineeringMathematicsBusinessComputer scienceEngineeringEnvironmental science
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

PT.Langkat Nusantara Kepong (LNK) Bekiun Gardens is one of the state owned enterprises (SOE) in North Sumatra, which is engaged in oil palm plantations, the calculation of plant maintenance costs of palm oil is a series of procedure for calculating the overall costs in plants Palm oil. In this case PT.Langkat Nusantara Kepong (LNK) Gardens Bekiun calculate plant maintenance costs of palm oil are still using Microsoft Excel with this state of affairs is not effective and efficient. With the implementation of the application system maintenance costs calculation may make it easier to perform calculations plant maintenance costs of palm oil to be more disciplined time and data security was more secure. The system is designed using the programming language Microsoft Visual Studio 2010 and SQL Sever 2005 database. Results from this study is the calculation process plant maintenance costs of palm where the design begins with entering data maintenance cost of oil palm trees next admin calculate plant maintenance costs of palm oil and displays them in the form of reports.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Communication savante, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,628
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0060,001
Communication savante0,0110,007
Science ouverte0,0040,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0140,003

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,239
Écart entre enseignants0,221 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetManagement and Optimization TechniquesTravaux en français237 207