IMPLEMENTASI METODE WEIGHTED PRODUCT PADA SISTEM PENDUKUNG KEPUTUSAN PENENTUAN PEMBERIAN PINJAMAN KOPERASI TATAPAN PRIMA SEJAHTERA
Notice bibliographique
Résumé
Dalam kegiatan koperasi simpan pinjam ternyata tidak semua masyarakat bisa diberikan pinjaman karena keterbatasan dana yang dimiliki oleh koperasi di TATAPAN PRIMA SEJAHTERA. Hal ini menyebabkan koperasi harus membuat kebijakan tertentu mengenai kriteria pemberian pinjaman seperti usia, pekerjaan, penghasilan, tanggungan, besar simpanan (anggota), jaminan dan jangka waktu. Diperlukan waktu yang tidak sedikit untuk melakukan seleksi calon penerima pinjaman karena masih dilakukan secara konvensional yaitu proses pengambilan keputusannya dilakukan satu persatu dan karena saat sebelumnya pihak koperasi memberikan pinjaman ke para calon nasabah nya tidak berdasarkan perhitungan dengan berkas-berkas yang ada dan yang terjadi ada beberapa nasabah yang sulit sulit untuk membayar angsuran dan akhirnya kabur-kaburan sehingga sulitnya pihak koperasi menagihnya. Dan akibat nya koperasi mengalami kerugian yang sangat besar di akibatkan pada permasalahan tersebut. Tujuan penelitian ini yaitu mengimplementasikan informasi yang diperoleh di Koperasi kedalam sistem yang dapat membantu dalam pengambilan keputusan analis kredit, untuk membuat suatu Sistem Pendukung Pengambilan Keputusan dalam penentuan Plafond (besar kredit dan jangka waktu angsuran) berdasarkan data survei, dengan menggunakan metode Weighted Product.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
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 ».