PENGEMBANGAN SISTEM INFORMASI PEMETAAN INFRASTRUKTUR SISTEM INFORMASI DI KOTA PROBOLINGGO
Bibliographic record
Abstract
Infrastruktur dan sistem informasi merupakan sumber daya manusia yang membantu pemerintah dalam mewujudkan dan pemberdayaan masyarakat baik secara ekonomi maupun kepuasan publik. Tidak terkecuali yang dilakukan pada Dinas Komunikasi dan Informatika Pemerintah Kota Probolinggo. Dalam meningkatkan kualitas pengembangangan infrastruktur secara lebih terkoordinir maka dibuatlah sistem informasi berbasis pemetaan infrastruktur dan sistem informasi dengan menggunakan algoritma clustering SOM. Self Organizing Map (SOM) merupakan salah satu metode dalam Jaringan Syaraf Tiruan (Neural Network) yang menggunakan pembelajaran tanpa pengarahan (Unsupervised Learning). Penelitian ini menghasilkan sebuah website yang memberikan informasi kepada user atau pengguna yang merupakan pihak pemerintahan Dinas Kominfo Kota Probolinggo dalam mengevaluasi perkembangan dan pemerataan infrastruktur dan sistem informasi. Dari hasil perhitungan menggunakan metode Self -Organizing Map dapat diterapkan dalam clustering untuk pemerataan infrastruktur IT yang menghasilkan 3 cluster yang terdiri dari cluster 1 yang memiliki persebaran infrastruktur yang baik berjumlah 1 wilayah, cluster 2 yang memiliki persebaran infrastruktur yang cukup baik berjumlah 23 wilayah dan cluster 3 yang memiliki persebaran infrastrukttur yang kurang baik berjumlah 5 wilayah. Sehingga dapat diketahui pemerataan IT di Kota Probolingo dapat dinilai cukup baik. 4. Berdasarkan pengujian diperoleh hasil akurasi hasil cluster yang baik dengan menggunakan Self-Organizing Map sebanyak 62.06897%.
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 | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.009 | 0.007 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.030 | 0.016 |
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".