Sistem Pendukung Keputusan Prioritas Calon Penerima Bantuan Program Indonesia Pintar (PIP) Pada Siswa Tingkat Sekolah Dasar Menggunakan Metode MOORA
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Terdapat kendala dalam penentuan penerima bantuan Program Indonesia Pintar (PIP) karena begitu banyaknya calon penerima bantuan PIP yang mengajukan diri untuk mendapatkan bantuan tersebut dimana proses penyerahan bantuan kadang tidak sesuai target atau sasaran. Data yang tidak valid menyebabkan kesalahan dalam pembagian PIP yang seharusnya diberikan kepada penerima yang berhak menerimanya.
 Sistem Pendukung Keputusan (SPK) biasanya dibangun untuk mendukung solusi atas suatu masalah atau untuk suatu peluang, salah satunya dalam menentukan penerima bantuan PIP pada Kantor Dinas Pendidikan Kota Binjai agar tepat sasaran pada siswa yang akan mendapatkan bantuan PIP. Peran sistem pendukung keputusan sangat dibutuhkan guna meningkatkan efesiensi pengambilan keputusan dalam menentukan siswa yang layak untuk mendapatkan bantuan PIP. Metode yang digunakan dalam sistem ini menggunakan metode Multi-Objective Optimization on the basis of Ratio Analysis (MOORA) dan dengan menggunakan 7 (Tujuh) kriteria yaitu kondisi keluarga, nilai raport, pekerjaan orang tua, jumlah tanggungan anak, jumlah tanggungan anak yang sekolah, kondisi rumah dan penghasilan orang tua serta 10 (Sepuluh) alternatif yang menjadi data siswa. Berdasarkan hasil perhitungan menggunakan metode MOORA, siswa atas nama MM (A9) merupakan alternatif yang terbaik untuk diberikan bantuan PIP dengan nilai 0,2843.
 Kata Kunci – Bantuan PIP; MOORA; Sistem Pendukung Keputusan
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.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.003 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 it