Implementation Of Data Mining Grouping Of Old Age Guarantee (Jht) Based On Region In Pandemic Period
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle