MENENTUKAN STRATEGI PROMOSI MENGGUNAKAN ALGORITMA CLUSTERING K-MEANS
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
Strategi promosi sangat mempengaruhi jumlah penerimaan siswa baru pada Sekolah maupun tingkat perguruan tinggi, perlu dilakukan tindakan strategi yang tepat karena ini adalah kegiatan yang dilakukan setiap tahunnya. Pembahasana dalam penelitian ini adalah data penerimaan siswa pada SMA dan SMK Harapan Bangsa, Kuala, Kabupaten Langkat, Sumatera Utara dimulai tahun 2017, 2018 dan 2019 yang berjumlah 754 data penerimaan mahasiswa dengan menggunakan terori-teori data mining yaitu Algoritma K-Means Clustering. Dari hasil penelitian ini didapatkan informasi anggota cluster 1 terdiri dari 164 siswa yang berasal dari kecamatan Kuala sebanyak 75 siswa, dengan asal sekolah terbanyak dari SMP Negeri 1 Salapian sebanyak 21 siswa, dan dengan jurusan terbanyak SMK-TKR sebanyak 54 siswa, sehingga darihasil penelitian ini disimpulkan bahwa ada 2 strategi yang dapat dilakukan oleh tim promosi SMA dan SMK Harapan Bangsa, yaitu melakukan kegiatan promosi ke kecamatan-kecamatan berdasarkan jurusan yang paling banyak diminati dan melakukan kegiatan promosi ke sekolah-sekolah SMP berdasarkan jurusan yang paling banyak diminati. Adapun yang membedakan kedua strategi promosi dari hasil penelitian ini adalah promosi dilakukan berdasarkan kecamatan dan satu lagi berdasarkan sekolah SMP. 
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,007 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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