PENGEMBANGAN SISTEM INFORMASI PEMETAAN INFRASTRUKTUR SISTEM INFORMASI DI KOTA PROBOLINGGO
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
Infrastruktur dan sistem informasi merupakan sumber daya manusia yang membantu pemerintah dalam mewujudkan dan pemberdayaan masyarakat baik secara ekonomi maupun kepuasan publik. Tidak terkecuali yang dilakukan pada Dinas Komunikasi dan Informatika Pemerintah Kota Probolinggo. Dalam meningkatkan kualitas pengembangangan infrastruktur secara lebih terkoordinir maka dibuatlah sistem informasi berbasis pemetaan infrastruktur dan sistem informasi dengan menggunakan algoritma clustering SOM. Self Organizing Map (SOM) merupakan salah satu metode dalam Jaringan Syaraf Tiruan (Neural Network) yang menggunakan pembelajaran tanpa pengarahan (Unsupervised Learning). Penelitian ini menghasilkan sebuah website yang memberikan informasi kepada user atau pengguna yang merupakan pihak pemerintahan Dinas Kominfo Kota Probolinggo dalam mengevaluasi perkembangan dan pemerataan infrastruktur dan sistem informasi. Dari hasil perhitungan menggunakan metode Self -Organizing Map dapat diterapkan dalam clustering untuk pemerataan infrastruktur IT yang menghasilkan 3 cluster yang terdiri dari cluster 1 yang memiliki persebaran infrastruktur yang baik berjumlah 1 wilayah, cluster 2 yang memiliki persebaran infrastruktur yang cukup baik berjumlah 23 wilayah dan cluster 3 yang memiliki persebaran infrastrukttur yang kurang baik berjumlah 5 wilayah. Sehingga dapat diketahui pemerataan IT di Kota Probolingo dapat dinilai cukup baik. 4. Berdasarkan pengujian diperoleh hasil akurasi hasil cluster yang baik dengan menggunakan Self-Organizing Map sebanyak 62.06897%.
 
 
 
 
 
 
 
 
 
 
 
 
 
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 | 0,001 | 0,001 |
| 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 | 0,003 | 0,006 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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