Sistem Pendukung Keputusan dalam Penentuan Jurusan Berdasarkan Minat Siswa SMK Harapan Stabat Menggunakan Metode SAW
Notice bibliographique
Résumé
For prospective students, SMK Harapan Stabat offers five main subjects with a specialization system that does not require exams. The number of students majoring in office administration has increased, and majoring procedures have shifted from conventional assessments to skills-based assessments. The current method, however, is challenging, especially for the Assistant Curriculum Director because it relies on exam results reports. To solve this problem, this research creates a web-based application that uses the simple additional reduction (SAW) method. This application is intended to help school principals determine student majors more efficiently. The implementation results show that this application was well received by the students of SMK Harapan Stabat and can help them make decisions about their major. Currently, determining majors at SMK Harapan Stabat is not ideal because prospective students tend to choose majors according to their own wishes. In addition, schools only look at test scores without considering students' interests and talents as well as other factors that influence acceptance in certain majors. Collecting data on students' aptitudes, interests, and test scores is critical to improving this process. Therefore, to carry out more accurate calculations, the Simple Additive Weighting (SAW) method is needed. Schools can use this decision support system to make better decisions about the majors their students will take. Therefore, the choice of major is expected to be more appropriate to students' abilities and interests to support their future success.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,035 | 0,011 |
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 ».