MétaCan
Menu
Retour à la cohorte
Enregistrement W4387377576 · doi:10.59934/jaiea.v3i1.312

Application Of The Ahp Method In Decision Support System For Security Recruitment

2023· article· en· W4387377576 sur OpenAlexaff
Agung Kurniawan, Achmad Fauzi, Siswan Syahputra

Notice bibliographique

RevueJournal of Artificial Intelligence and Engineering Applications (JAIEA) · 2023
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueManagement and Optimization Techniques
Établissements canadiensKootenay Association for Science & Technology
Organismes subventionnairesnon disponible
Mots-clésAnalytic hierarchy processOfficerSelection (genetic algorithm)Process (computing)Computer scienceProductivityProcess managementBusinessOperations researchRisk analysis (engineering)EngineeringEconomicsArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

PT Perkebunan Nusantara II (PTPN II) Sei Semayang, a state-owned enterprise (BUMN) engaged in palm oil and sugarcane production. Security officers play a crucial role in maintaining the company's security and productivity. Currently, the security officer recruitment process remains conventional, relying on subjective assessments based on several criteria. The aim of this study is to introduce a more structured, transparent, and objective approach to security officer recruitment. By implementing the Analytic Hierarchy Process (AHP) method, decisions in selecting prospective security officers can be made based on predetermined criterion weights. AHP enables decision-makers to identify, compare, and prioritize relevant criteria, addressing the complexity of selecting candidates who fit the established criteria. Through this approach, the study seeks to enhance efficiency and effectiveness in the security officer selection process, reduce the risk of errors in candidate selection, and improve overall company performance and security. It is hoped that the application of the AHP method in the decision support system for security officer recruitment at PTPN II Sei Semayang will assist the company in optimizing the selection process and supporting more data-driven decision-making.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,968
Score d'incertitude au seuil0,276

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,050
Tête enseignante GPT0,317
Écart entre enseignants0,266 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Artificial Intelligence and Engineering Applications (JAIEA)Même sujetManagement and Optimization TechniquesTravaux en français237 207