JARINGAN SARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PASIEN RAWAT JALAN BAGI PENGGUNA NARKOBA MENGGUNAKAN METODE BACKPROPAGATION (STUDI KASUS : KANTOR BNN KOTA BINJAI)
Notice bibliographique
Résumé
Badan Narkotika Nasional Kota Binjai memiliki tugas dan fungsi sebagai pencegah penyalahgunaan terhadap narkotika, pemberantasan peredaran gelap narkotika, dan rehabilitasi bagi para pecandu narkotika di Kota Binjai. Badan Narkotika Nasional juga bertugas menyusun dan melaksanakan kebijakan nasional mengenai pencegahan dan pemberantasan penyalahgunaan dan peredaran gelap psikotropika, prekursor dan bahan adiktif lainnya kecuali bahan adiktif untuk tembakau dan alkohol. Sehingga dibutuhkan suatu aplikasi yang dapat meramalakan jumlah kunjungan pasien rawat jalan. Berdasarkan proses analisa yang telah dilakukan bawah sistem jaringan saraf tiruan dengan menggunakan metode Backpropagation dapat diimplementasikan kedalam aplikasi jaringan saraf tiruan dan menghasilkan prediksi pasien rawat jalan pengguna narkoba dengan rata-rata pengguna inex sejumlah 93 pasien, pengguna ganja sejumlah 78 pasien dan shabu 92 pasien dengan hasil 0,302960 sama dengan 30.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,005 |
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 ».