PENERAPAN DATA MINING PENGELOMPOKAN DATA PENGGUNA AIR BERSIH BERDASARKAN KELUHANNYA MENGGUNAKAN METODE CLUSTERING PADA PDAM LANGKAT
Notice bibliographique
Résumé
Permasalahan pelanggan memang sangat kompleks, oleh karena itu harus ditangani secara baik, jelas, dan tuntas. Pelayanan yang baik dari suatu perusahaan dapat menunjukan profesionalisme perusahaan itu sendiri, artinya keseriusan, kepastian waktu, ketepatan waktu dan hasil kerja yang dapat dipertanggung jawabkan dalam menyelesaikan semua permasalahan dapat membuktikan kualitas suatu perusahaan. Clustering merupakan proses partisi satu set objek data ke dalam himpunan bagian yang disebut dengan cluster. Objek yang di dalam cluster memiliki kemiripan karakteristik antar satu sama lainnya dan berbeda dengan cluster yang lain. Clustering sangat berguna dan bisa menemukan group atau kelompok yang tidak dikenal dalam data. Dari 2056 data keluhan pelanggan iperoleh hasil Cluter 1 yaitu 12, 5, 5, pada cluster 2 yaitu 4, 5, 5 dan cluster 3 yaitu 8, 2, 2. Dengan jumlah anggota cluster 1 883 anggota, cluster 2 635 anggota dan cluster 3 yaitu 538 anggota. Dari hasil cluster Matlab tersebut terdapat kesamaan hasil yaitu jenis keluhan pada cluster 1 dengan cluster 2 yaitu kode 5 jenis keluhan pipa bocor dengan peanganan kerusakan menyambung pipa air (gibout join).
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,007 |
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 ».