Penerapan K-Means Dalam Mengelompokkan Nilai Tambah Industri Besar/Sedang Menurut Kabupaten/Kota
Notice bibliographique
Résumé
Each region must have industries both primary industries, secondary industries, manufacturing industries, construction industries, service industries and the quarter industry. These industries must produce an output that will be used or consumed by consumers or the public. More and more industries in a region indicates that the region has a lot of market demand from the community and the more industries, the income in the industry of a region increases. In this study the data was taken from a government website namely BPS (Statistics Indonesia) - www.bps.go.id which is a website that presents various statistical data from each region. There are 2 clusters in this study, namely high level clusters (C1) and low level clusters (C2). This study stopped at the 2nd iteration and there were centroid data generated namely high level centroid (78177, 56543, 42610, 155596) and low level centroid namely: ((3513.3), (3448.8), (2390.9) ), (4568)). From the calculation process that has been carried out there are 2 high-level districts / cities namely (Deli Serdang and Medan) and 31 other low-level districts / cities. It is hoped that this research can be input to the government in each region to inform the output data generated from industry in each region, and then the data can be used whenever needed.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,006 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».