Sistem Pendukung Keputusan Berbasis Metode Topsis untuk Rekomendasi Pengadaan Alat Kesehatan
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
The development of information technology has brought significant changes to the medical device procurement process, particularly within government institutions such as the Health Office. The procurement of appropriate, efficient, and objective medical devices is crucial to supporting optimal medical services, yet the decision-making process is often constrained by limited budgets and the complexity of multiple assessment criteria. This study aims to design and implement a decision support system (DSS) based on the TOPSIS (Technique for Order Preference by Similarity to Ideal Solution) method to provide recommendations for medical device procurement at the Binjai Health Office. The DSS evaluates six main criteria: price, quality, durability, ease of maintenance, medical necessity, and safety level, using procurement data from the 2022–2024 period. The TOPSIS method is applied to calculate the relative closeness of each alternative to the ideal solution, enabling decision-makers to rank medical device options objectively and systematically. The findings show that the DSS successfully prioritizes procurement alternatives, helping stakeholders allocate budgets more effectively and transparently. In addition, the system minimizes subjective bias by integrating quantitative analysis with clearly defined criteria. The system is implemented in a web-based environment with MySQL as the database, ensuring accessibility and scalability for future use. Overall, this research demonstrates that integrating TOPSIS into a decision support system can enhance the efficiency, accuracy, and accountability of medical device procurement in public health agencies. The study is expected to contribute to improving budget management and strengthening the quality of health services through better resource allocation.
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 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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