Analisis Multi Kriteria Analisis Multi Kriteria Menggunakan Multi Attribute Utility Theory Dalam Seleksi Penerima Beasiswa
Notice bibliographique
Résumé
Politeknik Kampar adalah sebuah perguruan tinggi kejuruan di Kabupaten Kampar, Provinsi Riau. Penetapan penerima beasiswa di perguruan tinggi masih bersifat manual dan membutuhkan waktu yang lama untuk mengambil keputusan yang tepat. Permasalahan tersebut dapat dianalisis dengan menggunakan metode sistem pendukung keputusan Multi Attribute Utility Theory (MAUT) supaya proses pengambilan keputusan dapat lebih cepat dilakukan. Dimana analisis metode MAUT yang cocok untuk kriteria yang banyak. Kriteria penilaian yang digunakan terdiri dari 10 kriteria antara lain pendapatan orang tua, status kepemilikan rumah, kondisi perumahan, jumlah tanggungan, status orang tua, raport, prestasi akademik, prestasi non akademik, kegiatan ekstrakurikuler dan pengalaman berorganisasi dengan total 50 dataset. Proses penelitian terdiri dari literatur ilmiah, identifikasi masalah, pengumpulan data, analisis metode MAUT, pemeringkatan dan penarikan kesimpulan. Hasil penelitian dengan menggunakan metode MAUT dapat membantu tim seleksi penerima beasiswa dengan proses yang cepat, efektif dan objektif dalam proses pengambilan 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 | 0,008 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,008 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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 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 ».