PENERAPAN DATA MINING PENGELOMPOKKAN PENYAKIT MENULAR SEKSUAL (PMS) MENGGUNAKAN METODE CLUSTERING
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
Penyakit Kelamin (veneral disease) sudah lama dikenal diIndonesia. Sejalan dengan majunya ilmu pengetahuan istilah tersebut sudah tidak digunakan lagi dan dirubah menjadi Sexually Transmitted Disease (STD) atau Penyakit Menular Seksual (PMS). Infeksi menular seksual adalah infeksi yang ditularkan dari satu orang ke orang lainnya, penyakit PMS yang banyak diderita oleh beberapa laki-laki, perempuan dan remaja yang mengikuti pergaulan yang begitu luas dan bebas dan adanya fenomena gaya hidup modern, mereka rela melakukan apapun tanpa memikirkan resiko yang tidak tanggung-tanggung hingga terjangkitnya penyakit menular yang dapat merenggut jiwa pasien.Dalam hal ini peneliti juga ingin mengetahui penyakit apa saja yang sering terjadi pada beberapa pasien dan dengan diketahuinya penyakit yang diderita pada pasien, maka pihak rumah sakit dapat memberitahu langsung bagaimana pencegahan serta pengobatan yang harus dilakukan oleh pasien yang akan terjangkit maupun yang sudah terjangkit penyakit menular. jenis penyakit Kondiloma Akuminata dan faktor penyebabnya adalah Virus DNA Golongan Papovavirus. Dan dapat diketahui pada cluster 3 dari kriteria usia, jenis penyakit, dan faktor penyebab, kelompok mana yang memiliki himpunan / nilai paling tinggi dan paling banyak pasien yang mengalami sakit, yaitu pada Cluster 1 berjumlah 247 data pasien yang sakit usia 18-35 tahun dengan penyakit yang dialami ialah penyakit sifilis dan faktor penyebabnya adalah Bakteri Spiroseta. Dalam pengujian diatas dapat diketahui juga bahwa antara usia, jenis penyakit, dan faktor penyebab memiliki hubungan.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,005 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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