Korelasi Faktor Penyebab Tindak Kekerasan dalam Rumah Tangga Menggunakan Data Mining Algoritma A Priori
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Badan Keluarga Berencana dan Pemberdayaan Perempuan Kabupaten Langkat Sumatera Utara merupakan suatu instansi pemerintahan yang bertanggung jawab melayani masyarakat kabupaten Langkat dalam kasus kekerasan dalam rumah tangga(KDRT). Kekerasan dalam rumah tangga sudah termasuk masalah yang umum terjadi dalam kehidupan rumah tangga. Hal ini dikarenakan kurang harmonisnya hubungan dalam rumah tangga tersebut. Semakin banyaknya masyarakat yang melakukan tindakan kekerasan, maka perlu mencari solusi dan sebuah pengetahuan baru untuk mengatasi permasalahan ini dengan korelasi faktor penyebab tindak kekerasan dalam rumah tangga menggunakan algoritma a priori untuk menghasilkan kombinasi terdekat antar variabel. Teknik yang digunakan dalam aplikasi data mining ini adalah aturan asosiasi dengan algoritma a priori. Algoritma apriori ini melakukan proses iterasi untuk menghasilkan kombinasi item yang memiliki pola frekuensi tinggi, berdasarkan nilai ambang batas support dan confidence yang diberikan oleh user. Teknik ini menganalisis kombinasi faktor penyebab terjadinya tindak kekerasan dalam rumah tangga yang sering dialami korban berdasarkan pada data korban berjumlah 307 data kekerasan dalam rumah tangga. Melalui data tindak kekerasan dalam rumah tangga yang berjumlah 307 data, telah diperoleh hasil sebanyak 74 rule. Dan dari 74 rule yang terbentuk, telah ditemukannya rule terbaik dengan keterangan yaitu, seorang ibu rumah tangga cenderung mengalami jenis kekerasan berupa kekerasan fisik yang disebabkan oleh faktor ekonomi, support 20% dan confidence 76%.
 Kata Kunci: Korelasi Faktor Penyebab Kekerasan Dalam Rumah Tangga, Algoritma A Priori.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,007 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle