DATA MINING DALAM PENGELOMPOKKAN JUMLAH DATA PRODUKTIVITAS TANAMAN PANGAN MENGGUNAKAN METODE CLUSTRING K-MEANS ( STUDI KASUS : BADAN PUSAT STATISTIK KOTA BINJAI)
Notice bibliographique
Résumé
Dari data hasil survei pada Badan Pusat Statistik (BPS) Kota Binjai bahwa hasil panen dan produktivitas tanaman pangan bervariasi hasilnya. Disebabkan pada setiap daerah berbeda kondisinya baik itu dari segi faktor lahan, teknik panen, dan hasil panen, sehingga menyebabkan BPS kesulitan dalam mengetahui hasil jumlah produktivitas tanaman pangan dari setiap kecamatan. Untuk itu diperlukan penggelompokkan jumlah data produktivitas tanaman pangan. Dengan menggunakan k-means sehingga mudah dalam memperoleh informasi mengenai data akurat produktivitas tanaman pangan dari setiap kecamatan, sehingga memudahkan pihak instansi dalam memenuhi kebutuhan penyaluran benih tanaman pangan dari setiap kecamatan dari data yang sudah di kelompokkan. Dan data yang di gunakan dalam penelitian ini yaitu data survei tanaman pangan selama 4 tahun yaitu tahun 2017-2020. Dari hasil analisis program yang telah diuji dengan menggunakan matlab dan dengan variabel yang telah di tentukan sehingga dapat di ketahui bahwa dari kecamatan, dengan jenis tanaman, dan jumlah produksi pada cluster 1 senbanyak 132 data, untuk cluster 2 sebanyak 143 data, danuntuk cluster 3 sebanyak110 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.
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 | 0,005 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,005 | 0,009 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,006 |
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 ».