SISTEM INFORMASI GEOGRAFIS PERSEBARAN SEKOLAH DI KOTA TASIKMALAYA BERBASIS WEB
Bibliographic record
Abstract
Kota Tasikmalaya adalah salah satu kota yang berada di daerah Jawa Barat yang memiliki luas wilayah sekitar 184,2 km². Dari data Kementerian Pendidikan dan Kebudayaan, di Kota Tasikmalaya setidaknya terdapat 543 sekolah yang terdiri dari 284 Sekolah Dasar (SD), 142 Sekolah Menengah Pertama (SMP), 66 Sekolah Menengah Atas (SMA), dan 51 Sekolah Menengah Kejuruan (SMK). Tujuan penelitian ini membuat sebuah sistem atau aplikasi berbasis web yang memudahkan pengunjung dalam mencari persebaran dan lokasi sekolah di kota Tasikmalaya secara lebih akurat. Metode dalam penelitian ini menggunakan metode Waterfall dalam pengembangan perangkat lunak karena sangat cocok untuk membangun software sistem informasi geografis berbasis web. Sistem Informasi Geografis yaitu sistem komputer yang memiliki kemampuan untuk menulis, merekam, menyimpan, dan menganalisis serta menampilkan data geografis. Kemampuannya tersebut dapat memberikan manfaat dalam menyajikan informasi sebuah lokasi yang sangat akurat dengan bantuan Google Map API yang dimiliki oleh Google Map sehingga memudahkan programmer dalam mengembangkan sebuah map pada website. Sistem Informasi Geografis (SIG) Persebaran sekolah di Kota Tasikmalaya berbasis web ini dapat memberikan informasi lokasi sekolah yang akurat serta mampu memberikan kemudahan dalam pencarian lokasi sekolah.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.006 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.046 | 0.018 |
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".