Application of the K-Means Algorithm in Traffic Violations In Langkat District (Case Study: Langkat Police)
Notice bibliographique
Résumé
Societal activities are intertwined with traffic, and people prefer using vehicles. The lack of education and limited understanding of traffic regulations have led to numerous violations. The increasing number of traffic violations has resulted in a rise in traffic violation data. The abundance of traffic violation data has led to data accumulation within institutions. Therefore, data processing through data mining utilizing the K-Means Algorithm is deemed necessary. Research findings have unveiled a cluster of traffic violation data that stands out as the highest and most frequent during processing: the age group of 17 to 25 years, involving Honda Vario 150 vehicles, and evidence of violations related to driver's licenses (SIM) and vehicle registration certificates (STNK). Test results on three clusters from a dataset of 502 traffic violation records reveal the following: Cluster 1 comprises traffic violation data pertaining to individuals aged 26 to 45 years, using Honda CBR 250 vehicles, and violations tied to driver's licenses (SIM) and vehicle registration certificates (STNK). Cluster 2 includes traffic violation data concerning individuals aged 26 to 45 years, utilizing Suzuki Nex vehicles, and violations involving driver's licenses (SIM) as well as carrying more than one passenger. Cluster 3 involves traffic violation data associated with individuals aged 17 to 25 years, employing Honda Vario 150 vehicles, and violations linked to driver's licenses (SIM
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».