IMPLEMENTASI DATA MINING PENGELOMPOKAN JUMLAH DATA PRODUKTIVITAS UBINAN TANAMAN PANGAN BERDASARKAN JENIS UBINAN DENGAN METODE CLUSTERING DIKAB LANGKAT (STUDI KASUS : BADAN PUSAT STATISTIK LANGKAT)
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
Berdasarkan data hasil survei ubinan di Badan Pusat Statistik (BPS) Langkat terdapat beberapa daerah yang menjadi sample dan terdapat hasil produktivitas petani dalam menanam tanaman pangan. Untuk itu diperlukan pengelompokan jumlah data hasil survei ubinan berdasarkan jenis ubinan tanaman pangan untuk mengelompokan jumlah hasil panen petani dalam menanam tanaman pangan disetiap kecamatan. Data Mining adalah sebuah proses menemukan informasi dengan mengidentifikasi pola pada data set. Proses menemukan informasi dapat dilakukan dengan pengelompokan data yaitu menggunakan metode Clustring dengan algoritma K-Means. Dengan menggunakan K-Means bertujuan dalam memudahkan pengelompokan jumlah data produktivitas ubinan tanaman pangan berdasarkan jenis ubinan dengan hasil produktivitas tanaman pangan. Dan data yang digunakan dalam penelitian ini yaitu data survei ubinan selama 3 tahun yaitu tahun 2017sampai 2019. Dari hasil analisis program yang telah diuji dengan menggunakan matlab dan telah ditentukan variabel-variabel dapat diketahui bahwa, untuk cluster 1 hasil jenis ubinan tanaman pangan, jumlah produksi dan kecamatan jumlah data 423 data, untuk cluster 2 hasil jenis ubinan tanaman pangan, jumlah produksi dan kecamatan jumlah data 387 data, untuk cluster 3 hasil jenis ubinan tanaman pangan, jumlah produksi dan kecamatan jumlah data 432 data.
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 | 0,004 | 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 | 0,002 | 0,000 |
| Communication savante | 0,004 | 0,007 |
| Science ouverte | 0,011 | 0,019 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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