DATA MINING PENGELOMPOKAN PENGGUNA NARKOBA BERDASARKAN USIA MENGGUNAKAN METODE CLUSTERING (STUDI KASUS : BNN KOTA BINJAI)
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
Peredaran dan penyalahgunaan narkoba merupakan masalah yang sangat kompleks, yang memerlukan upaya penanggulangan. Mengingat masih banyaknya kendala dalam proses pengelompokan pengguna narkoba di Kantor BNN Kota Binjai, untuk itu penulis mencoba membuat suatu sistem untuk mendukung proses pengelompokan yang terkomputerisasi yang dapat membantu mengelompokan secara otomatis pengguna narkoba berdasarkan usia, sehingga ada peluang untuk merancang sistem data mining pengelompokan didalamnya. Data mining adalah bagian dari sistem informasi berbasis komputer yang memperkerjakan satu atau lebih teknik pembelajaran komputer untuk menganalisis dan mengekstrasi pengetahuan secara otomatis yang dipakai untuk mendukung pengelompokan dalam suatu organisasi atau suatu perusahaan. Clustering adalah sebuah metode yang diterapkan dalam membuat suatu sistem data mining pengelompokan untuk memudahkan para staff dalam mengelompokan pengguna narkoba berdasarkan usia. Berdasarkan analisis yang telah dilakukan pada pengelompokan data pengguna narkoba dengan menggunakan metode clustering, maka perlu dilakukan proses cluster beberapa kali untuk mendapatkan hasil yang sama sesuai dengan proses yang pertama kali dilakukan. Dalam proses ini dilakukan proses sebanyak 10 kali proses sehingga mendapatkan hasil cluster. Pada cluster 1 yaitu 3 9 4, cluster 2 yaitu 3 1 4, cluster 3 yaitu 3 5 4 dengan jumlah pada anggota cluster 1 sebanyak 322 data, cluster 2 sebanyak 81 data dan cluster 3 sebanyak 97 data.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,006 | 0,000 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,012 | 0,021 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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