Sistem Pendukung Keputusan Prioritas Calon Penerima Bantuan Program Indonesia Pintar (PIP) Pada Siswa Tingkat Sekolah Dasar Menggunakan Metode MOORA
Notice bibliographique
Résumé
Terdapat kendala dalam penentuan penerima bantuan Program Indonesia Pintar (PIP) karena begitu banyaknya calon penerima bantuan PIP yang mengajukan diri untuk mendapatkan bantuan tersebut dimana proses penyerahan bantuan kadang tidak sesuai target atau sasaran. Data yang tidak valid menyebabkan kesalahan dalam pembagian PIP yang seharusnya diberikan kepada penerima yang berhak menerimanya. Sistem Pendukung Keputusan (SPK) biasanya dibangun untuk mendukung solusi atas suatu masalah atau untuk suatu peluang, salah satunya dalam menentukan penerima bantuan PIP pada Kantor Dinas Pendidikan Kota Binjai agar tepat sasaran pada siswa yang akan mendapatkan bantuan PIP. Peran sistem pendukung keputusan sangat dibutuhkan guna meningkatkan efesiensi pengambilan keputusan dalam menentukan siswa yang layak untuk mendapatkan bantuan PIP. Metode yang digunakan dalam sistem ini menggunakan metode Multi-Objective Optimization on the basis of Ratio Analysis (MOORA) dan dengan menggunakan 7 (Tujuh) kriteria yaitu kondisi keluarga, nilai raport, pekerjaan orang tua, jumlah tanggungan anak, jumlah tanggungan anak yang sekolah, kondisi rumah dan penghasilan orang tua serta 10 (Sepuluh) alternatif yang menjadi data siswa. Berdasarkan hasil perhitungan menggunakan metode MOORA, siswa atas nama MM (A9) merupakan alternatif yang terbaik untuk diberikan bantuan PIP dengan nilai 0,2843. Kata Kunci – Bantuan PIP; MOORA; Sistem Pendukung Keputusan
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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,057 | 0,011 |
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 ».