SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN CALON TENAGA PENDIDIK DENGAN MENGGUNAKAN METODEMULTI-OBJECTIVE OPTIMAZTION ON THE BASIS OF RATIO ANALYSIS(MOORA) (StudiKasus: Yayasan Perguruan Swakarya)
Bibliographic record
Abstract
Seorang pendidik merupakan sumber daya manusia yang berperan sangat penting didalam mendidik siswa. Di Yayasan Perguruan Swakarya masih sangat dibutuhkan tenaga pendidik baru.Tenaga pendidik yang dipilih adalah yang benar-benar mempunyai potensi yang baik dalam mendidik. Penyeleksian calontenagapendidikdi Yayasan Perguruan Swakarya masih dilakukan secara manual.Sistem Pendukung keputusan dikembangkan untuk mengurangi faktor ketidakpastian tersebut dengan mengolah sebuah informasi menjadi sebuah alternatif pemecahan suatu masalah. Metode yang dapat diterapkan dalam sistem pendukung keputusan yaitu Multi-objective optimization on the basic of ratio analisys (MOORA)Untuk mengetahui proses pengolahan informasi sistem pendukung keputusan dengan menggunakan metode MOORA penulis menggunakan studi kasus menentukan penerimaan tenagapendidik berdasarkan dengan kriteria IPK, Akta IV, Pskikotest, Pengalaman mengajar, danWawancara.. Setelah semua nilai kriteria dimasukkan maka hasil pengolahan dengan metode MOORA akan diranking sebagai salah satu carauntuk membantu dan mempermudah pihak manajemen menentukan keputusan dalam Penerimaan tenagapendidik. Dan hasil penerimaan tenaga pendidik yang mendapat rangking pertama berinisial JKS dengan IPK 3,10, MempunyaiAkta IV, nilaipsikotest 88, dengan 2 tahun pengalaman mengajar, nilaiwawancara 75.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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".