PERANCANGAN JARINGAN WIFI DENGAN MENGGUNAKAN TOP DOWN NETWORK DESIGN
Bibliographic record
Abstract
Sebagian besar indekos menyediakan fasilitas internet WiFi kepada para penghuninya. Salah satu kelebihan WiFi daripada LAN adalah tanpa kabel sehingga fleksibel dan menjangkau pengguna bergerak. Namun ada kemungkinan-kemungkinan yang dapat mempengaruhi kualitas sinyal WiFi salah satunya adalah tembok pembatas. Pemilik indekos Calgary E1 membangun tembok pembatas antara rumah bagian depan dengan rumah bagian belakang yang menyebabkan sinyal WiFi dari router ISP yang ada di rumah bagian depan tidak terpancarkan dengan maksimal ke semua kamar penghuni yang ada di rumah bagian belakang. Hal tersebut dibuktikan dengan pemeriksaan kualitas sinyal WiFi dari kamar penghuni rumah bagian belakang mendapatkan -82dbm. Sedangkan penghuni indekos Calgary E1 bagian belakang juga membutuhkan fasilitas internet salah satunya untuk menunjang kegiatan WFH (Work From Home). Pada penelitian ini digunakan top down network design untuk mengembangkan jaringan existing yang ada pada indekos Calgary E1. Pada desain jaringan fisik, ditambahkan sebuah perangkat WiFi TL-WR841HP pada rumah bagian belakang. Berdasarkan hasil penelitian yang telah dilaksanakan, terbukti bahwa semua kamar penghuni yang ada di rumah bagian belakang telah dapat menggunakan WiFi melalui perangkat WiFi TL-WR841HP. Hal tersebut dibuktikan dengan pemeriksaan kualitas sinyal WiFi dari kamar penghuni rumah bagian belakang dimana kamar nomor 3 mendapatkan -66dbm dan kamar nomor 4 mendapatkan -49dbm.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.022 | 0.007 |
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".