Implementation Of Data Mining Grouping Of Old Age Guarantee (Jht) Based On Region In Pandemic Period
Notice bibliographique
Résumé
During the COVID-19 pandemic, many companies experienced a decline or went bankrupt, so they had to reduce the number of workers and even close the company. BPJS Ketenagakerjaan is a public legal entity that is responsible to the president and functions to administer four programs, namely Work Accident Insurance (JKK), Death Insurance (JKM), Old Age Security (JHT), with the addition of the Pension Guarantee program ( JP). One of them is the submission of claims from too many participants of the Old Age Security program from various regions, especially the Langkat sub-district, so that it becomes a big problem to provide good service or information for the participants. For this reason, the author tries to create a system to support a computerized grouping process that can help automatically classify JHT claims by region, so there is an opportunity to design a grouping data mining system in it. Data mining is a process of mining data in very large amounts of data using statistical, mathematical methods, to utilize the latest artificial intelligence technology. Clustering is a method that is applied in creating a grouping data mining system to make it easier for employees to group JHT by region. Based on the analysis that has been done in the grouping of old-age insurance data using the clustering method, it is necessary to do the cluster process several times to get the same results according to the process that was first carried out, namely in cluster 1 : 2 3 2 cluster 2 : 2 8 2, cluster 3: 2 13 2 with 545 data in cluster 1, 308 data in cluster 2 and 421 data in cluster 3.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».