SISTEM PAKAR MENGIDENTIFIKASI KEMAMPUAN OTAK PADA ANAK TERHADAP CARA BELAJAR MENGGUNAKAN METODE CERTAINTY FACTOR BERBASIS WEB
Bibliographic record
Abstract
Pengidentifikasian kemampuan otak pada anak sejak dini dapat membantu guru serta orang tua dalam memberikan stimulasi atau penanganan yang benar tehadap cara belajar anak. Terbatasnya jumlah pakar di daerah kota binjai untuk menangani psikologi tentang anak, serta kurangnya penyebaran pengetahuan, menyebabkan diperlukannya sistem pakar untuk menganalisis kemampuan otak pada anak. Sistem pakar mengidentifikasi kemampuan otak pada anak terhadap cara belajar bahasa pemrograman PHP dan database yang digunakan adalah PHP MyAdmin (MySql). Sistem pakar harus mampu bekerja dalam kondisi ketidakpastian. Dalam menghadapi masalah, sering ditemukan jawaban yang tidak memiliki kepastian. Tinggi rendahnya tingkat ketidakpastian hasil identifikasi dipengaruhi oleh aturan yang tidak pasti dan jawaban pengguna. Metode Certainty Factor yang merupakan suatu metode untuk membuktikan apakah suatu fakta itu pasti ataukah tidak pasti yang berbentuk metric yang biasanya digunakan oleh sistem pakar. Dari hasil perhitungan maka diperoleh dari ciri-ciri hipotesa yang ada, menghasilkan identifikasi jenis sensori yang ada pada anak yaitu kemampuan otak kanan dengan sensori visual yang memiliki nilai keyakinan paling kuat adalah sebesar 87%.
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 | 0.006 | 0.027 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.008 | 0.009 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.023 | 0.013 |
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".