DATA MINING DALAM PENGELOMPOKKAN JUMLAH DATA PRODUKTIVITAS TANAMAN PANGAN MENGGUNAKAN METODE CLUSTRING K-MEANS ( STUDI KASUS : BADAN PUSAT STATISTIK 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
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.
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 | 0,009 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,006 | 0,000 |
| Communication savante | 0,003 | 0,006 |
| Science ouverte | 0,020 | 0,034 |
| Intégrité de la recherche | 0,000 | 0,004 |
| 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