CLUSTERING SEGMENTASI PASAR PENERBANGAN BANDARA HUSEIN SASTRANEGARA – BANDUNG MENGGUNAKAN INFORMASI PENERBANGAN
Notice bibliographique
Résumé
Peralihan fungsi Bandara Husein Sastranegara-Bandung ke Bandara Kertajati-Majalengka diharapkan dapat mengakomodir pergerakan transportasi udara di Provinsi Jawa Barat. Tujuan penelitian untuk mengetahui segmentasi pasar penerbangan di Bandara Husein Sastranegara-Bandung menggunakan informasi penerbangan agar memudahkan calon maskapai dalam perencanaan penerbangannya di Kertajati. Segmentasi pasar menggunakan metode clustering K-Means dengan data informasi penerbangan tahun 2017 – 2021. Data informasi penerbangan yang digunakan berasal dari statistik transportasi udara BPS, merupakan data kuantatif diantaranya data bandara asal dan tujuan yang dari atau menuju Bandara Husein Sastranegara-Bandung, data pergerakan penumpang dan kargo (kg) dari tiap – tiap rute penerbangan tersedia dalam kurun wakti 2017 – 2021. Hasil clustering menunjukan segmentasi pasar penerbangan keberangkatan dari Bandung memiliki 4 cluster segmentasi pasar, dan 3 cluster untuk tujuan Bandung. Terdapat perbedaan destinasi asal dan tujuan keluar atau menuju Bandung pada kasus keberangkatan dan kedatangan. Dominasi daerah asal atau tujuan diminati pada keberangkatan dan kedatanagn ialah Semarang. Cluster keberangkatan terbanyak menuju Kualanamu dengan rata – rata 310.218 penumpang dan 3.022.091,2 kg kargo di rute tersebut. Cluster kedatangan diminati asal Jakarta (Halim Perdanakusuma) dengan rata – rata 238.613 penumpang dan kargo yang diangkut sebanyak 692.964,14 kg terbang di rute ini.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,009 |
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 ».