Estimasi Galat Sebagai Kompensasi Hasil Pembacaan Sensor Suhu Non-Sentuh Menggunakan Regresi Linier
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
Abstrak Penelitian ini bertujuan untuk membuktikan penerapan metode regresi linear untuk mengestimasi galat sebagai kompensasi untuk menurunkan galat pembacaan sensor suhu non-sentuh. Hal ini terlihat pada masa pandemi COVID – 19 melalui penggunaan thermo gun untuk mengukur suhu seseorang membutuhkan jarak yang sangat dekat. Penelitian dilakukan dengan mengukur objek air yang merupakan unsur terbanyak pada tubuh manusia. Suhu pengukuran telah dikondisikan pada 36°C, 37°C, dan 38°C dengan masing-masing variasi jarak 2cm, 4cm, dan 6cm. Hasil dari validasi menunjukkan model dapat menurunkan galat pada suhu 36°C pada masing-masing jarak sebesar 4,43%, 8,00%, dan 8,70% pada jarak 2cm, 4cm, dan 6cm. Validasi berdasarkan MAE sebelum dimodelkan adalah 2,91 dan nilai MAE setelah dimodelkan adalah 0,37. Penurunan nilai galat pada suhu 37°C untuk masing-masing jarak 2cm, 4cm, dan 6cm adalah 5,94%, 8,72%, dan 7,34%. Nilai validasi berdasarkan MAE sebelum dimodelkan adalah 3,02 dan nilai MAE setelah dimodelkan adalah 0,27. Penurunan nilai galat pada suhu 38°C untuk masing-masing jarak 2cm, 4cm, dan 6cm adalah 6,27%, 8,67%, dan 11,03%. Nilai validasi berdasarkan MAE sebelum dilakukan permodelan adalah 3,87 dan nilai MAE setelah dimodelkan adalah 0,57. Berdasarkan data tersebut dapat disimpulkan bahwa estimasi galat sebagai kompensasi hasil pembacaan sensor suhu non-sentuh mampu menurunkan galat hasil pembacaan sensor.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,011 |
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