Clustering Data On Underage Marriage Using The Clustering Method
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
In Law no. 1 of 1974, article 7 paragraph (1) states that marriage is only permitted if the man has reached the age of 19 and the woman has reached the age of 16. Nationally, early marriage to the age of under 16 is 26.95%. In fact, based on the findings of Bappenas in 2008, it was stated that 34.5% of the 2,049,000 marriages in 2008 until now were child marriages which were increasing rapidly (Rifiani, 2011: 126). The influence of foreign culture is also one of the causes of the large number of underage marriages, foreign cultures which are very famous for freedom of dating, are the views of today's youth to have relations outside of legal marriage. Not only culture, information technology in the 4.0 era has greatly influenced the occurrence of underage marriages, adult video sites that are easily accessible via the internet. For this reason, the K-means clustering method is used as the right solution for the problem of underage marriage data by grouping the data based on age, gender, and occupation to get definite data, so that data grouping using the applicationmatlab andrapid miner can produce output from data mining that can be used in making decisions in the future
 Keywords: Underage marriage, clustering, matlab
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| 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