PENERAPAN ALGORITMA K-MEANS CLUSTERING ANALYSIS PADA KASUS PENDERITA HIV/AIDS (STUDI KASUS KABUPATEN BANJAR)
Notice bibliographique
Résumé
Penggabungan data mining dengan kemampuan dalam mengelola dan mengolah database, statistika dan kecerdasan buatan telah banyak diterapkan dalam berbagai bidang. Penerapannya beragam, tergantung pada bagaimana data itu didistribusikan dan dimanfaatkan. Ada yang diterapkan di bidang kemiliteran, pendidikan, kesehatan, keuangan dan masih banyak lagi lainnya. Tujuan utama dari penelitian ini ialah untuk menganalisis jumlah kasus HIV/AIDS yang ada di Kabupaten Banjar dengan penyebaran di 20 Kecamatan didalamnya. Data yang dijadikan sumber berasal dari RSUD Ratu Zalecha Martapura. Analisis didukung dengan teknik clustering dengan pemilihan algoritma k-means dalam mengidentifikasi similaritas antar data. Jumlah kluster yang ditentukan dalam implementasi algoritma k-means adalah 3 kluster. Masing-masing kluster memiliki nilai rata-rata yang berbeda. Masing-masing kluster menunjukkan label tingkat kerawanan terjadinya HIV di tiap kecamatan yang berada di wilayah Kabupaten Banjar.Kata Kunci : Clustering, Data Mining, HIV/AIDS, Kesehatan, k-Means
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 | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».