Penerapan Metode TOPSIS untuk Memilih Laptop Terbaik Sesuai Kebutuhan Konsumen
Notice bibliographique
Résumé
Pemilihan laptop yang sesuai dengan kebutuhan konsumen memerlukan pendekatan yang terstruktur karena banyaknya alternatif dan variasi spesifikasi. Penelitian ini menggunakan metode Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) untuk membantu pengambilan keputusan yang objektif. Kriteria yang digunakan meliputi RAM, berat, IPS, CPU Brand, dan SSD. Data penelitian diambil dari dataset publik di Kaggle yang relevan untuk evaluasi alternatif. Tahapan metode meliputi normalisasi matriks keputusan, penghitungan matriks solusi ideal positif dan negatif, serta perhitungan nilai preferensi untuk menentukan peringkat setiap alternatif. Hasil penelitian menunjukkan bahwa laptop Toshiba (V8) memiliki nilai preferensi tertinggi (1,0000), diikuti oleh Asus (V3) dan Lenovo (V6) pada posisi kedua. Penelitian ini membuktikan bahwa metode TOPSIS efektif untuk mendukung pengambilan keputusan yang sistematis dan dapat diterapkan pada berbagai kasus serupa.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,004 |
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 ».