SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN CALON TENAGA PENDIDIK DENGAN MENGGUNAKAN METODEMULTI-OBJECTIVE OPTIMAZTION ON THE BASIS OF RATIO ANALYSIS(MOORA) (StudiKasus: Yayasan Perguruan Swakarya)
Notice bibliographique
Résumé
Seorang pendidik merupakan sumber daya manusia yang berperan sangat penting didalam mendidik siswa. Di Yayasan Perguruan Swakarya masih sangat dibutuhkan tenaga pendidik baru.Tenaga pendidik yang dipilih adalah yang benar-benar mempunyai potensi yang baik dalam mendidik. Penyeleksian calontenagapendidikdi Yayasan Perguruan Swakarya masih dilakukan secara manual.Sistem Pendukung keputusan dikembangkan untuk mengurangi faktor ketidakpastian tersebut dengan mengolah sebuah informasi menjadi sebuah alternatif pemecahan suatu masalah. Metode yang dapat diterapkan dalam sistem pendukung keputusan yaitu Multi-objective optimization on the basic of ratio analisys (MOORA)Untuk mengetahui proses pengolahan informasi sistem pendukung keputusan dengan menggunakan metode MOORA penulis menggunakan studi kasus menentukan penerimaan tenagapendidik berdasarkan dengan kriteria IPK, Akta IV, Pskikotest, Pengalaman mengajar, danWawancara.. Setelah semua nilai kriteria dimasukkan maka hasil pengolahan dengan metode MOORA akan diranking sebagai salah satu carauntuk membantu dan mempermudah pihak manajemen menentukan keputusan dalam Penerimaan tenagapendidik. Dan hasil penerimaan tenaga pendidik yang mendapat rangking pertama berinisial JKS dengan IPK 3,10, MempunyaiAkta IV, nilaipsikotest 88, dengan 2 tahun pengalaman mengajar, nilaiwawancara 75.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».