PENERAPAN DATA MINING PENGELOMPOKAN PESERTA BPJS KETENAGAKERJAAN BERDASARKAN PROGRAM YANG DIAMBIL MENGGUNAKAN METODE CLUSTERING
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.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,003 |
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 ».