APLIKASI ALGORITMA GREEDY UNTUK PEWARNAAN WILAYAH PADA PETA KOTA PADANG BERBASIS TEOREMA EMPAT WARNA
Notice bibliographique
Résumé
. Kecamatan-kecamatan pada peta kota Padang diwarnai dengan menggunakan algoritma Greedy. Pewarnaan wilayah yang mengasumsikan sebuah kecamatan sebagai simpul dan sisi sebagai penghubung antar kecamatan yang bertetangga tersebut, menggunakan teorema empat warna yang menyatakan banyak warna minimum yang akan digunakan dalam mewarnai peta. Sebelum algoritma Greedy digunakan, graf dual peta tersebut dikonstruksi dan derajat tiap simpul ditentukan. Pada penggunaan algoritma Greedy, himpunan kandidat warna dan inisialisasi solusi dibuat. Selanjutnya, dilakukan pewarnaan pertama kali untuk simpul dengan derajat terbesar, dengan cara memilih secara sebarang warna pada himpunan kandidat. Kemudian, periksa kelayakan dari warna dengan menggunakan prinsip bahwa dua simpul yang bertetangga tidak boleh memiliki warna yang sama. Warna yang dihasilkan kemudian merupakan elemen dari himpunan solusi. Proses pewarnaan tersebut diulangi hingga semua wilayah kecamatan pada peta tersebut diwarnai.Kata Kunci: Algoritma Greedy, Pewarnaan Wilayah, Teorema Empat Warna.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 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 ».