DATA MINING K-MEDOIDS DAN K-MEANS UNTUK PENGELOMPOKAN POTENSI PRODUKSI KELAPA SAWIT DI INDONESIA
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
Kelapa sawit merupakan tanaman golongan palma yang memiliki periode produksi setiap tahunnya. Penyebaran terbesar kelapa sawit berada di Indonesia. Indonesia memiliki luas perkebunan mencapai 17,32 juta hektar. Detailnya hasil produksi 26,57 ton dengan luas kebun 8,51 juta hektar. Menurut data USDA, pada tahun 2022 menurun karena berbagai faktor. Untuk itu perlu dilakukan klasifikasi potensi produksi kelapa sawit dan identifikasi peluang keberhasilan produksi disetiap lokasi perkebunan kelapa sawit. Dengan ini dilakukan penelitian pembuatan sistem clustering untuk melihat potensi produksi kelapa sawit dengan memakai kombinasi 2 metode yaitu K-Medoids dan K-Means. K-Medoids berfungsi untuk penentuan cluster sesuai dengan data variable yang paling rendah(Cluster 1) 18 wilayah, sedang (Cluster 2) 5 wilayah, dan tinggi (Cluster 3)/(Cemtroid) 2 wilayah pada potensi hasil Luas areal, produksi, dan produktivitas kelapa sawit. Algoritma K-Means berfungi untuk mengelompokkan rata rata luas tanah 514.885,72 Ha, produksi 1.931.882,84 Ton dan produktifitas 3.227,08 Kg/Ha, dengan pembagian potensi rendah, sedang dan tinggi. Kombinasi dari kedua algoritma berfungsi sangat baik karena masing masing memiliki peran tersendiri yang sesuai dengan kebutuan penelitian. Dari penggabungan 2 metode K-Medoids dan K-Means mendaptkan hasil ketiga klaster bahwa hasil produksi kelapa sawit yang memiliki potensi rendah 72% sedang 20%, tinggi 2%. Segmentasi ini disebabkan oleh kesamaan karakteristik perkebunan berdasarkan kesamaan dari luas, produksi, dan produktivitas. Yang memiliki potensi produksi tertinggi kelapa sawit ada 2 provinsi yaitu Kalimantan Barat dan Riau.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,006 | 0,001 |
| Communication savante | 0,003 | 0,006 |
| Science ouverte | 0,014 | 0,012 |
| Intégrité de la recherche | 0,000 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle