OPTIMALISASI RUANGAN PRAKTIKUM MENGGUNAKAN PEMROGRAMAN LINIER INTEGER (STUDI KASUS : STMIK KAPUTAMA)
Bibliographic record
Abstract
Pelaksanaan proses belajar mengajar pada suatu perguruan tinggi yang dilaksanakan di dalam kelas ada terbagi dua, ada yang proses belajarnya di dalam ruang kelas dan ada yang di lakukan di ruangan laboratorium. STMIK Kaputama adalah salah satu perguruan tinggi swasta yang memiliki 4 program studi, yaitu Sistem Informasi, Teknik Informatika, Manajemen Informatika dan Komputerisai Akuntansi, yang dimana empat program studi tersebut memiliki mata kuliah praktikum yang pelaksanaanya harus dilakukan di dalam laboratorium komputer. STMIK Kaputama hanya memiliki memiliki 3 laboratorium komputer yang digunakan untuk memenuhi kebutuhan praktikum pada semua program studi, hal ini akan selalu menjadi masalah karena bertambahnya mahasiswa baru tiap tahunnya sementara laboratorium computer tidak pernah bertambah dalam kurun waktu 5 tahun belakangan ini, kondisi ini perlu ditanggulangi walapun memang pada saat pandemik COVID 19 ini tidak memakai laboratorim komputer, akan tetapi ini akan tetapi disaat normal nanti masalah ini akan tetap terjadi. Dalam mengatasi masalah akibat dari kurangnya sumberdaya laboratorium yang tersedia diperlukan cara mengoptimalkan ruangan praktikum sehingga dapat memenuhi kebutuhan laboratorium komputer dengan kapasitas yang memadai dengan menggunakan pemrograman integer linier, sehingga nilai maksimum dan nilai minimum dari variabel-variabel yang mempengaruhi pada setiap variabel keputusan dapat diketahui dalam memaksimal pemakaian laboratorium komputer yang tersedia. Dari hasil penelitian yang dilakukan terdapat total variables : 81, Total constraints : 13, Nonlinear constraints : 0, Total nonzeros : 117, Nonlinear nonzeros : 0, yang artinya maksimum pemakaian kelas dalam sehari dapat mencapai 18 SKS per hari.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.027 | 0.004 |
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".