PENERAPAN METODE WEIGHT PRODUCT (WP) DALAM SISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN PENENTUAN PERALATAN PANCING
Bibliographic record
Abstract
Memancing adalah kegiatan yang sejak zaman dahulu diminati oleh sebagian besar masyarakat indonesia, tidak hanya nelayan, tetapi orang awam kini yang menikmati akhir pekan untuk sekedar memancing. sebagian orang awam ketika akan melakukan memancing mengalami kesulitan dalam pemilihan piranti pancing. Penelitian ini bertujuan untuk para pemancing awam dalam menentukan pemilihan peralatan pancing. Manfaat dari penelitian ini adalah memberikan alternatif bagi pemancing awam dalam menghitung kebutuhan peralatan pancing yang akan digunakan, dengan kriteria kedalaman laut, arus laut, bobot ikan dan kelompok ikan. Pengembangan sistem ini menggunakan metode waterfall. Metode dalam sistem pendukung pengambilan keputusan, peneliti menggunakan metode weight product, metode weight product ini menentukan di tiap-tiap alternatif harus sesuai dengan kriteria yang berkaitan, dengan cara melakukan perkalian lalu menghubungkan rating atribut, dimana rating pada atribut harus dipangkatkan dahulu dengan nilai bobot yang bersangkutan, kemudian diterapkan kedalam sistem tersebut yang akan memberikan pilihan-pilihan peralatan pancing. Hasil yang dicapai, mampu melakukan perangkingan dari alternatif tersebut dan dapat digunakan oleh pemancing awam ketika akan melakukan aktifitas memancing, pada hasil perangkingan nilai tertinggi adalah piranti yang sangat disarankan.
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.014 | 0.003 |
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".