PENERAPAN METODE K-MEANS CLUSTERING DALAM MENGELOMPOKKAN JUMLAH PESERTA BPJS KESEHATAN JKN/KIS DI KABUPATEN CIREBON
Notice bibliographique
Résumé
BPJS Kesehatan adalah Badan Penyelenggara Jaminan Sosial Kesehatan yang dilaksanakan oleh pemerintah sesuai dengan UU No.40 Tahun 2004 Peserta yang menjadi anggota akan mendapatkan Kartu Indonesia Sehat ,karena Jumlah Peserta BPJS Kesehatan JKN/KIS yang belum merata di setiap wilayah yang ada di kabupaten Cirebon ada yang sedikit dan banyak. Penelitian ini bertujuan untuk menggelompokkan peserta BPJS Kesehatan Jkn/Kis di Kabupaten Cirebon ke dalam beberapa kelompok sample penelitian ini di peroleh dari Dataset Open Data Jabar yaitu Jumlah Peserta BPJS Kesehatan dengan Jumlah 412 Dataset Peserta BPJS Kesehatan JKN/KIS di Kabupaten Cirebon. Metode K-Means adalah metode yang tepat untuk di gunakan untuk mengelompokkan jumlah Peserta BPJS Kesehatan Jkn/Kis Di Kabupaten Cirebon yang cukup banyak dengan waktu yang relatif cepat dan efisien dengan menggunakan machine learning dengan tools Rapidminer. Hasil pengelompokan dinilai dengan Davies Bouildin Index untuk mengetahui hasil optimasi terhadap algoritma K-Means. Hasil Clustering didapatkan kelompok terbanyak peserta BPJS kesehatan maka Cluster_0: Kelompok Rendah sejumlah 86 Peserta, Cluster_1: Kelompok sedang Peserta BPJS Kesehatan sejumlah 156 Peserta, dan Cluster_2: Kelompok Banyak sejumlah 170 Peserta. Dengan nilai K=3 sebagai nilai Optimum dengan nilai DBI = 0.164.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,012 |
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 ».