Application of the K-Means Method for Clustering Land and Building Tax Payments Based on Tax Types (Case Study: BPKPAD Binjai City)
Notice bibliographique
Résumé
Land and Building Tax or abbreviated as PBB is a fee that must be paid for the existence of land and buildings owned by the community or residents. The determination of PBB in Binjai City is based on the application of the Land Value Zone (ZNT) which is close to the market price, which will be able to create equitable development throughout Binjai City. BPKPAD (Regional Revenue and Assets Financial Management Agency) Binjai City is a government agency that receives PBB payments from the community. Data - data on PBB payments for the people of Binjai City have been stored in an existing system and every year it will continue to increase so that it will cause data accumulation in the land and building tax archives. A data processing system is needed to manage these data, one of which can be done with data mining which can process piles of data into useful information and can be utilized by grouping PBB data based on criteria. Clustering is a method in data mining that can be used to automatically detect clusters of adjacent records that have a certain definition in all variables. K-Means algorithm is a simple algorithm to classify or group a large number of objects with certain attributes into groups (clusters). So that this system can be used as input for the Binjai City BPKPAD in finding solutions to increase regional income from PBB payments.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 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) | 0,004 | 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 ».