PENERAPAN K-MEANS CLUSTERING PADA PENDAFTARAN ANGGOTA PERPUSTAKAAN DI DINAS KEARSIPAN DAN PERPUSTAKAAN PROVINSI JAWA TENGAH
Notice bibliographique
Résumé
Dinas Kearsipan dan Perpustakaan Provinsi Jawa Tengah merupakan pusat pengolahan buku dan arsip yang ada di Kota Semarang. Yang menyediakan berbagai jenis layanan dan juga koleksi, karena itu hampir setiap hari masyarakat umum dari berbagai latar belakang datang ke perpustakaan untuk menikmati layanan dan koleksi yang disediakan. Para pengunjung diwajibkan memiliki kartu anggota perpustakaan, jadi setiap hari banyak masyarakat yang ingin mendaftar menjadi anggota. Untuk mengelompokan kalangan masyarakat yang mendaftar di perpustakaan menggunakan metode clustering dengan algoritma K-Means yang diharapkan dapat membantu untuk mengetahui kalangan apa yang mendominasi pendaftaran anggota di perpustakaan. Penelitian ini menggunakan 2007data dengan jumlah cluster 3 cluster.
 Hasil dari perhitungan untuk masing –masing cluster adalah untuk cluster 1 berjumlah 173data, untuk yang mendominasi pendaftaran anggota pada cluster 1 adalah berusia 17 sampai 25 tahun, bertingkat pendidikan S1 yang merupakan Pegawai Swasta. Cluster 2 berjumlah 967 yang mendominasi adalah berusia 17 sampai 25 tahun, bertingkat pendidikan S1 yang merupakan Mahasiswa. Cluster 3 berjumlah 867 data yang mendominasi adalah berusia 6 sampai 11 tahun yang bertingkat pendidikan SD yang merupakan sebagai Pelajar.
 Kata Kunci: Pendaftaran Anggota Perpustakaan, Data Mining, Clustering, 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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 tête enseignante, 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 ».