Sistem Pendukung Keputusan dalam Penentuan Jurusan Berdasarkan Minat Siswa SMK Harapan Stabat Menggunakan Metode SAW
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 découle