PEMANFAATAN DATAMINING PADA PENGELOMPOKAN PROVINSI TERHADAP PENCEMARAN LINGKUNGAN HIDUP
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
This research aims to provide input for the government so that it can immediately tackle water pollution given the many adverse effects that lurk in various aspects of life. The method used in this study researchers used the method of K-means clustering datamining algorithm. The data used in this study are the number of villages according to the type of environmental pollution in 2018 which consists of 34 provinces in Indonesia obtained through the official website of the Directorate of Statistics Indonesia. The variable used is water pollution. The variable used is water pollution. Data is grouped into 2 clusters, namely provinces that have high levels of water pollution (C1) and provinces that have low levels of water pollution (C2). K-Means Clustering algorithm in this study produces 2 iterations, so the final result is: high water pollution (C1) in the provinces of North Sumatra, West Java, Central Java, East Java, for low level water pollution (C2) is in provinces of Aceh, West Sumatra, Riau, Jambi, South Sumatra, Bengkulu, Lampung, Kep.Bangka Belitung, Kep.Riau, DKI Jakarta, DI Yogyakarta, Banten, Bali, West Nusa Tenggara, East Nusa Tenggara, West Kalimantan, Central Kalimantan, South Kalimantan, East Kalimantan, North Kalimantan, North Sulawesi, Central Sulawesi, South Sulawesi, Southeast Sulawesi, Gorontalo, West Sulawesi, Maluku, North Maluku, West Papua, Papua.Keywords:Datamining, Clustering, K-means , Water pollution
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 | 0,001 | 0,000 |
| 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 | 0,002 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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