PENERAPAN DATA MINING PENGELOMPOKAN PESERTA BPJS KETENAGAKERJAAN BERDASARKAN PROGRAM YANG DIAMBIL MENGGUNAKAN METODE CLUSTERING
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
The implementation of the social security program is one of the responsibilities and obligations of the State, to provide socio-economic protection to the community. Indonesia, like other developing countries, develops social security programs based on funded social security, namely social security that is funded by participants and is still limited to working people in the formal sector. BPJS Ketenagakerjaan continues to improve competence in all aspects of service while developing various programs and benefits that can be directly enjoyed by workers and their families. Non-Wage Recipient Workers (BPU) are employees who carry out economic activities or businesses independently to earn income from their activities or business. The problem that hinders the length of data collection for BPJS Employment participants is the process of determining the social security program that will be taken by Non-Wage Recipient (BPU) workers from the program taken by BPJS Ketenagakerjaan participants. owned is very small and only enough for the daily needs of participants. Data Mining is a data mining process in very large amounts of data using statistical, and mathematical methods, and utilizing the latest Artificial Intelligence technology. Data mining in the process of grouping data can use a grouping method, namely the Clustering method. The system is designed with the MATLAB R2014a programming application, after testing with the system, the results obtained are that in group 1 there are 370 data, group 2 there are 359 data and group 3 there are 271 data with a total of 100 data participants.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,007 | 0,007 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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