PENGELOMPOKAN KEBUTUHAN JUMLAH AIR AKIBAT KEKERINGAN DI KABUPATEN TUBAN PADA TAHUN 2020 DENGAN ALGORITMA K-MEANS
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
Bencana Kekeringan di Kabupaten Tuban terjadi hampir setiap tahun. Bencana kekeringan jika dibiarkan dapat berdampak besar bagi kehidupan. Badan Penanggulangan Bencana Daerah (BPBD) Kabupaten Tuban merupakan instansi pemerintah yang bertugas menanggulangi bencana tersebut. Bencana kekeringan dapat diatasi dengan pengelolaan pemenuhan pasokan air yang efektif dan efesien. Untuk itu, pada kegiatan Praktik Kerja Lapangan (PKL) kelompok kami mengangkat masalah Pengelompokan kebutuhan jumlah liter air berdasarkan wilayah desa yang terdampak. Pengelompokan ini dibagi menjadi tiga kelompok, yaitu kelompok kebutuhan air tinggi, kelompok kebutuhan air sedang, dan kelompok kebutuhan air rendah. Terdapat 10 desa yang termasuk dalam kelompok kebutuhan air tinggi atau C3. Jumlah liter air yang dibutuhkan desa tersebut antara 119.000 liter sampai dengan 126.000 liter air. Terdapat 9 desa yang termasuk kedalam kelompok kebutuhan air sedang atau C2. Jumlah liter air yang dibutuhkan desa tersebut antara 84.000 liter sampai dengan 105.000 liter air. Dan terdapat 4 desa yang termasuk kedalam kelompok kebutuhan air yang rendah atau C1. Jumlah liter air yang dibutuhkan desa tersebut antara 42.000 liter air.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,005 | 0,005 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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