OPTIMALISASI RUANGAN PRAKTIKUM MENGGUNAKAN PEMROGRAMAN LINIER INTEGER (STUDI KASUS : STMIK KAPUTAMA)
Notice bibliographique
Résumé
Pelaksanaan proses belajar mengajar pada suatu perguruan tinggi yang dilaksanakan di dalam kelas ada terbagi dua, ada yang proses belajarnya di dalam ruang kelas dan ada yang di lakukan di ruangan laboratorium. STMIK Kaputama adalah salah satu perguruan tinggi swasta yang memiliki 4 program studi, yaitu Sistem Informasi, Teknik Informatika, Manajemen Informatika dan Komputerisai Akuntansi, yang dimana empat program studi tersebut memiliki mata kuliah praktikum yang pelaksanaanya harus dilakukan di dalam laboratorium komputer. STMIK Kaputama hanya memiliki memiliki 3 laboratorium komputer yang digunakan untuk memenuhi kebutuhan praktikum pada semua program studi, hal ini akan selalu menjadi masalah karena bertambahnya mahasiswa baru tiap tahunnya sementara laboratorium computer tidak pernah bertambah dalam kurun waktu 5 tahun belakangan ini, kondisi ini perlu ditanggulangi walapun memang pada saat pandemik COVID 19 ini tidak memakai laboratorim komputer, akan tetapi ini akan tetapi disaat normal nanti masalah ini akan tetap terjadi. Dalam mengatasi masalah akibat dari kurangnya sumberdaya laboratorium yang tersedia diperlukan cara mengoptimalkan ruangan praktikum sehingga dapat memenuhi kebutuhan laboratorium komputer dengan kapasitas yang memadai dengan menggunakan pemrograman integer linier, sehingga nilai maksimum dan nilai minimum dari variabel-variabel yang mempengaruhi pada setiap variabel keputusan dapat diketahui dalam memaksimal pemakaian laboratorium komputer yang tersedia. Dari hasil penelitian yang dilakukan terdapat total variables : 81, Total constraints : 13, Nonlinear constraints : 0, Total nonzeros : 117, Nonlinear nonzeros : 0, yang artinya maksimum pemakaian kelas dalam sehari dapat mencapai 18 SKS per hari.
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 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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,006 | 0,008 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,057 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».