IMPLEMENTASI METODE WEIGHTED PRODUCT PADA SISTEM PENDUKUNG KEPUTUSAN PENENTUAN PEMBERIAN PINJAMAN KOPERASI TATAPAN PRIMA SEJAHTERA
Bibliographic record
Abstract
Dalam kegiatan koperasi simpan pinjam ternyata tidak semua masyarakat bisa diberikan pinjaman karena keterbatasan dana yang dimiliki oleh koperasi di TATAPAN PRIMA SEJAHTERA. Hal ini menyebabkan koperasi harus membuat kebijakan tertentu mengenai kriteria pemberian pinjaman seperti usia, pekerjaan, penghasilan, tanggungan, besar simpanan (anggota), jaminan dan jangka waktu. Diperlukan waktu yang tidak sedikit untuk melakukan seleksi calon penerima pinjaman karena masih dilakukan secara konvensional yaitu proses pengambilan keputusannya dilakukan satu persatu dan karena saat sebelumnya pihak koperasi memberikan pinjaman ke para calon nasabah nya tidak berdasarkan perhitungan dengan berkas-berkas yang ada dan yang terjadi ada beberapa nasabah yang sulit sulit untuk membayar angsuran dan akhirnya kabur-kaburan sehingga sulitnya pihak koperasi menagihnya. Dan akibat nya koperasi mengalami kerugian yang sangat besar di akibatkan pada permasalahan tersebut. Tujuan penelitian ini yaitu mengimplementasikan informasi yang diperoleh di Koperasi kedalam sistem yang dapat membantu dalam pengambilan keputusan analis kredit, untuk membuat suatu Sistem Pendukung Pengambilan Keputusan dalam penentuan Plafond (besar kredit dan jangka waktu angsuran) berdasarkan data survei, dengan menggunakan metode Weighted Product.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.014 | 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".