Forecasting System For Increasing Crime At The Binjai City Police Station With The Application Of The Website-Based Exponential Smoothing Method
Notice bibliographique
Résumé
Binjai City is the closest city to the city of Medan, which is the heart of North Sumatra. As one of the closest cities to the city gate of Medan, there are many activities that require a lot of activities. In Binjai City there is a Binjai City Police Office which is located Jl. Sultan Hasanuddin No.1, Binjai City, North Sumatra. Based on crime data at the Binjai City Police Station, it shows that crime that occurs every day is constantly increasing. This is because several factors influence it, namely internal factors within oneself such as having a realistic mindset and so on while external factors such as economic level factors or low education levels that have an impact on the difficulty of finding jobs, uneven population density, very minimal salaries, urgent needs, supportive environmental situations, social inequality trigger envy and resentment, environmental associations that require costs and so on. When people are faced with such a situation, the thing that will come to their mind is how to get money to meet the needs of their families at all costs. So that it affects one's mentality and actions to commit criminal acts.Exponential smoothing method is a procedure that continuously improves forecasting with the average (smoothing = smoothing) past values of a time sequence data with. The Exponential smoothing method is a development of the Moving Averages method.
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 | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».