SISTEM PENDUKUNG KEPUTUSAN CALON PENERIMA BANTUAN PROGRAM KELUARGA HARAPAN (PKH) MENGGUNAKAN METODE ANALYTICAL HIERARCY PROCESS (AHP)
Bibliographic record
Abstract
Kemiskinan merupakan masalah kompleks yang bisa disebabkan dari berbagai faktor seperti : aspek ekonomi, sosiologis, antropologis, kebijakan, teknologi serta perubahan global. Kemiskinan juga berimplikasi terhadap pendidikan, kesehatan, kemampuan ekonomi, serta partisipasi masyarakat dalam sebuah negara. Di Indonesia Program Keluarga Harapan atau yang biasa disebut dengan PKH hadir sebagi salah satu solusi bagi negara untuk hadir membantu masyarakat miskin dan menjadi salah satu tahapan menuju sistem perlindungan sosial. Menurut Dinas Kementrian Sosial, Program Keluarga Harapan (PKH) adalah program pemberian bantuan bersyarat kepada Keluarga Miskin (KM) yang ditetapkan sebagai keluarga penerima manfaat (PKH). Dalam istilah internasional dikenal dengan Conditional Cash Transfers (CCT). Untuk membantu pendamping PKH dalam mengolah data dalam proses seleksi penerima bantuan program keuarga harapan maka peneliti menggunakan metode Analytical Hierarcy Process (AHP) yang akan dihitung dengan menggunakan program aplikasi Microsoft Excel 2010 dan akan di input ke aplikasi web programing untuk memudahkan dalam penghitunganya. Penentuan Kriteria Meliputi 9 Kriteria yang masing-masing kriteria memiliki 3 subkriteria yaitu : Kepemilikan Telfon Seluler, Pekerjaan, Penghasilan, Status Tempat Tinggal, Jenis Lantai, Kondisi Rumah, Fasilitas Jamban, Pendidikan, Wawancara Tetangga. Dari hasil penelitian ini diharapkan akan dapat membantu dan memudahkan pendamping PKH dalam proses seleksi penerima bantuan program keluarga harapan di Kabupaten Pesawaran Provinsi Lampung.
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 | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 0.001 |
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".