PENERAPAN DATA MINING PENGELOMPOKAN DATA PASIEN BERDASRKAN JENIS PENYAKIT MENGGUNAKAN METODE CLUSTERING (STUDI KASUS KLINIK MITRA ND)
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

 Dalam menemukan informasi baru berdasarkan data medis pasien yang ada di Poliklinik Mitra Nd. Pengelompokan data medis pasien berdasarkan jenis penyakit menggunakan metode clustering merupakan cara tepat yang dapat dilakukan dari semua pengelompokan-pengelompokan yang sudah ditentukan. Berdasarkan hasil pengelompokan tersebut, penulis akan menggali informasi penting yang dapat digunakan untuk mengetahui variabel-variabel apa saja yang menjadi pengelompokan jenis penyakit untuk pengclusteran pada data. kriteria yang telah ditentukan yaitu umur, tempat tinggal dan jenis penyakit, oleh karena itu dengan memnfaatkan data penyakit pasien dapat diketahui informasi tentang data penyakit pasien yang terdapat di klinik nd melalui teknik data mining. Tools yang digunakan untuk membuat aplikasi penerapan data mining adalah dengan MATLAB R2008. Dikatahui data yang telah dijelaskan sebelumnya pada bab IV bahwa untuk Grup 1 Centroid = 3,7778 2,5505 2,5707 (terdapat 198 data). Berdasarkan perhitungan diatas dapat di ketahui bahwasanya pada cluster 1 pada cluster 1 berpusat pada centroid dengan grup Umur (X) adalah >25 Tahun, dengan tempat tinggal (Y) bertempat tinggal di paret rimo, dengan jenis penyakit (Z) yaitu Penyakit Fever. Grup 2 Centroid 2 = 3,6806 6,3351 2,5497 (terdapat 205 data). Berdasarkan perhitungan diatas dapat di ketahui bahwasanya pada pada cluster 2 berpusat pada centroid dengan grup Umur (X) adalah >25 Tahun, dengan tempat tinggal (Y) bertempat tinggal di gardu, dengan jenis penyakit (Z) yaitu Penyakit Fever. Grup 3 Centroid 3 = 3,1559 4,1559 6,6828 (terdapat 186 data). Berdasarkan perhitungan diatas dapat di ketahui bahwasanya pada cluster 3 berpusat pada centroid dengan grup Umur (X) adalah 16-25 Tahun, dengan tempat tinggal (Y) bertempat tinggal di sawit seberang, dengan jenis penyakit (Z) yaitu Penyakit DBD.
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,000 |
| Communication savante | 0,003 | 0,006 |
| Science ouverte | 0,022 | 0,032 |
| 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