Application of the K-Means Algorithm in Traffic Violations In Langkat District (Case Study: Langkat Police)
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
Aktivitas masyarakat berhubungan dengan lalu lintas dan masyarakat lebih memilih menggunakan kendaraan. Rendahnya edukasi serta minim pemahaman tentang peraturan lalu lintas menyebabkan banyak pelanggaran. Meningkatnya jumlah pelanggar lalu lintas menyebabkan meningkatnya data pelanggaran lalu lintas. Banyaknya data pelanggaran lalu lintas menyebabkan terjadinya penumpukan data pada instansi. Maka diperlukan suatu pengolahan data dengan data mining menggunakan Algoritma K-Means. Hasil penelitian diketahui kelompok data pelanggaran lalu lintas yang memiliki kelompok paling tinggi dan paling sering muncul saat diproses yaitu usia 17-25 tahun, dengan kendaraan Honda Vario 150 dan bukti pelanggaran SIM dan STNK. Hasil pengujian 3 cluster dari 502 data pelanggaran diketahui yaitu cluster 1 kelompok data pelanggaran lalu lintas usia 26-45 tahun jenis kendaraan Honda CBR 250 dan bukti pelanggaran SIM dan STNK. Cluster 2 kelompok data pelanggaran lalu lintas usia 26-45 tahun dengan jenis kendaraan Suzuki Nex dengan bukti pelanggaran SIM dan boncengan lebih dari 1. Cluster 3 yaitu kelompok data pelanggaran lalu lintas usia 17-25 tahun, dengan jenis kendaraan Honda Vario 150 dan bukti pelanggaran 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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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