IMPLEMENTASI DATA MINING PENGELOMPOKAN JENIS PENYAKIT PASIEN MENGGUNAKAN METODE CLUSTERING (STUDI KASUS : PUSKESMAS SAMBIREJO)
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
Penyakit adalah dimana suatu kondisi terdapat keadaan tubuh yang abnormal, yang menyebabkan hilangnya kondisi normal yang sehat Data mining adalah sebuah proses menemukan informasi dengan mengindentifikasi pola pada data set. Proses menemukan informasi dapat dilakukukan dengan pengelompokkan data yaitu menggunakan metode Clustering dengan algoritma K-Means. Metode K-Means merupakan salah satu metode dalam analisis kelompok dimana data dikelompokkan berdasarkan k kelompok (k=1,2,3..k). Tujuan dari penelitian ini adalah untuk memudahkan pengelompokkan jenis penyakit mana yang paling banyak diderita oleh pasien di Puskesmas Sambirejo Kabupaten Langkat berdasarkan umur, desa dan nama penyakit pada data pasien tahun 2017-2019. Dari hasil analisa program yang telah diuji dengan menggunakan matlab dan telah ditentukan variabel-variabel dapat diketahui bahwa, untuk cluster 1 hasil pengelompokkan jenis penyakit pasien jumlah data 366 data yaitu antara umur 24-40 tahun, pada desa sambirejo, dengan nama penyakit bronkhitis. untuk cluster 2 hasilpengelompokkan jenis penyakit pasien jumlah data 376 data yaitu antara umur 24-40 tahun, pada desa perdamaian, dengan nama penyakit hiperurisemia. untuk cluster 3 hasilpengelompokkan jenis penyakit pasien jumlah data 258 data yaitu antara umur 24-40 tahun, pada desa suka makmur, dengan nama penyakit hiperurisemia.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,003 | 0,006 |
| Science ouverte | 0,006 | 0,009 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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