Bibliographic record
Abstract
Tugas akhir ini berkaitan dengan pembuatan aplikasi sistem informasi geografis \n(SIG). SIG merupakan salah satu sistem informasi yang berbasis komputer dan \nmenekankan pada unsur informasi geografis. SIG dapat membantu dalam berbagai \nbidang dengan informasi dan analisis sata yang lengkap. \nSalah satu permasalahan yang dapat ditangani oleh SIG adalah masalah \nmenentukan atau mencari properti sesuai dengan criteria lokasi dan fisik properti. \nSebelum membeli properti, biasanya pembeli mencari informasi properti melalui iklan \natau survey langsung ke lapangan. Hal tersebut menghabiskan biaya, waktu dan tenaga. \nDari permasalahan tersebut di atas, dikembanglah aplikasi SIG untuk membantu \npembeli dalam mencari informasi tentang properti yang dijual. SIG dapat menyediakan \ninformasi yang dibutuhkan oleh agen properti berupa data faktor-faktor yang dapat \ndigunakan untuk analisis pencarian informasi properti. Untuk proses analisis, Agen \nproperti dapat menyusun kriteria yang diprioritaskan dalam mencari informasi properti. \nDengan dibuatnya aplikasi SIG ini, maka waktu dan survey dapat lebih \ndiminimalkan, karena daerah pencarian informasi properti dapat dipersempit sesuai \ndengan kriteria yang telah ditentukan. Selain itu pembeli dapat memperoleh gambaran \nmengenai lokasi properti yang diinginkan sebelum melakukan survey ke lapangan
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.045 | 0.018 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".