DATA MINING PENGELOMPOKAN INDUSTRI KECIL DAN MENENGAH BERDASARKAN HASIL PRODUKSI MENGGUNAKAN METODE CLUSTERING DI KABUPATEN 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

 Industri Kecil dan Menengah (IKM) adalah rangkaian kegiatan dan ekonomi yang meliputi pengolahan, pengerjaan, pengubahan, perbaikan bahan baku atau barang setengah jadi menjadi barang yang berguna dan lebih bermanfaat untuk pemakaian dan usaha jasa yang menunjang berbagai kegiatan. Pada saat ini, jumlah IKM di Kabupaten Langkat terus meningkat, banyaknya data IKM yang pengelompokannya masih acak dan tidak teratur menyebabkan bagian Perindustrian cukup kesulitan dalam mengelompokan data IKM tersebut berdasarkan Kecamatan, Jenis Industri dan Hasil Produksi.Tujuan dari penelitian ini adalah untuk menerapkan Algoritma K-Means dalam mengelompokan data IKM di Kabupaten Langkat serta untuk memberikan informasi tambahan mengenai perkembangan dan pertumbuhan IKM yang berada di Kabupaten Langkat. Diperoleh hasil pengelompokan menjadi 3 cluster yaitu pada cluster 1 berjumlah 7 data dimana kelompok industri kecil dan menengah pada Kecamatan (X) Kutambaru dengan Jenis Industri (Y) adalah Industri makanan ringan dan Hasil produksi (Z) adalahTempe, cluster 2 berjumlah 6 dimana kelompok industri kecil dan menengah pada Kecamatan (X) Sawit Seberang dengan Jenis Industri (Y) adalah kerajinan/anyaman dan Hasil produksi (Z) adalah Ukir Batu akik, dan cluster 3 berjumlah 6 data dimana kelompok industri kecil dan menengah pada Kecamatan (X) Brandan Barat dengan Jenis Industri (Y) adalah Bangunan/Mebel/Logam dan Hasil produksi (Z) adalah Industri Kayu.
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 | 0,005 | 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 | 0,004 | 0,000 |
| Communication savante | 0,002 | 0,005 |
| Science ouverte | 0,011 | 0,016 |
| Intégrité de la recherche | 0,000 | 0,004 |
| 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