Penerapan Algoritma K-Means Untuk Menentukan Jumlah Produksi Kayu Bulat Berdasarkan Jenis Kayu Di Provinsi Jawa Barat
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
Introduction: According to data from the Central Bureau of Statistics (BPS), log production fluctuated every quarter of 2020. Log production experienced a decline in the second quarter from a total production of 14.58 million m3 in the first quarter to 13.87 million m3. Purpose: to apply the K-Means data mining technique which is classified as a potential log production based on wood species with high and low criteria. Method: The type of research to be used is quantitative research. Discussion result: based on data on production and types of logs from 2016 to 2020, the West Java Forestry Service, log production in each district/city area in West Java is not evenly distributed for products and types of logs processed, therefore with the application of the K-Means algorithm is expected to help the production potential and types of logs in the West Java region. Therefore, the West Java Forestry Service determines the grouping of logs based on wood species into 2 clusters, namely high and low. Conclusion: The data is calculated based on 2 clusters, namely clusters with low potential (C1) and clusters with high potential (C2). The Forest Management Unit (KPH) area with the highest log production potential (C2) is the North Bandung KPH.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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