JARINGAN SARAF TIRUAN MEMPREDIKSI PENJUALAN MAKANAN DAN MINUMAN DENGAN MENGGUNAKAN METODE BACKPROPAGATION (STUDI KASUS : PONDOK JATI RESTO BINJAI
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
Pondok Jati Resto (PJR) is a cafe that provides a variety of foods and beverages that are sold to attract customers or potential customers. The number of food and beverages that have been sold, of course, PJR has data on sales of food and beverages. So far, sales data have only been seen from sales reports. It is of course very unfortunate that other data, for example, such as ordered food and beverage menus, can be used as an evaluation material for food and beverage needs that are often in demand. Food and drink is one of the most needed needs by humans. There are many types of food and drink that are made to fulfill the desire to try a food and drink. Apart from being at home, food and beverages can also be obtained at shops, stalls, restaurants, cafes and so on. The increasing number of population levels and the increasing popularity of the food and beverage business, of course, there are more and more food and beverage sellers circulating in several areas, one of which is Cafe Pondok Jati Resto. The application of artificial neural networks to predict the amount of food and beverages using Matlab software using the Backpropagation method can be applied in predicting the number of food and beverage sales. Based on the analysis process that has been carried out under the artificial neural network system using the Backpropagation method, it can identify data on the number of food and beverage sales, with test results or predictions of the average number of foods per year 20, 5 drinks and 19 snacks.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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