ANALISA DAN PERBANDINGAN METODE ALGORITMA APRIORI DAN FP-GROWTH UNTUK MENCARI POLA DAERAH STRATEGIS PENGENALAN KAMPUS STUDI KASUS DI STKIP ADZKIA PADANG
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
Sekolah Tinggi Keguruan dan Ilmu Pendidikan (STKIP) ADZKIA merupakan salah satu institusi pendidikan formal di kota Padang yang disahkan oleh pemerintah. Persaingan di dalam dunia bisnis, khususnya dalam bidang pendidikan membuat pihak perguruan tinggi harus mencari pola sasaran daerah yang strategis dalam pengenalan sekolah. Dengan semakin banyaknya STKIP di Kota Padang, membuat setiap sekolah berusaha mencari calon siswa baru kedaerah-daerah yang potensial. Salah satu cara yang dapat dilakukan untuk penentuan daerah strategis adalah dengan menggunakan teknik DataMining. Dari data-data mahasiswa yang ada disekolah dapat diolah mengunakan algoritma Apriori dan FP-Growth yang menjadi informasi baru untuk dimanfaatkan oleh dalam menentukan daerah yang strategis. Dalam penelitian ini penulis mencoba membandingkan hasil dari algoritma Apriori dan FP-Growth yang menggunakan data mahasiswa angkatan 2015/2016 dengan nilai minsupport = 0.05% dan nilai minconfidence = 0.7% telah diperoleh 19 Association Rule dan 2 rule tertinggi yang dapat dijadikan sebagai pengetahuan baru serta acuan berharga pada lingkup penelitian ini.
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 | 0,000 |
| 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 | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,004 | 0,002 |
| 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