Classification of Salt Quality Based on the Content of Several Elements in the Salt Using Machine Learning
Notice bibliographique
Résumé
Salt is one of the commodities in Indonesia.Salt has a very strategic and sustainable role for human life.Apart from being used for daily consumption, salt is also used as a raw material for various industries Indonesia, as a country surrounded by coastlines, can be self-sufficient in salt production and meet domestic salt needs.However, not all the salt produced maintains sufficient quality for consumption.Therefore, monitoring of the produced salt's quality is necessary to categorize it.Even though the categorization of salt quality is still carried out manually, this research employs data mining techniques with three different algorithms: Naï ve Bayes, K-Nearest Neighbor (K-NN), and Support Vector Machine (SVM), to simplify and enhance the efficiency of the classification process.The dataset used was obtained from salt data in the Sumenep region of Madura that consists of 349 records with seven attributes: sulfate, magnesium, water content, calcium, not dissolved, NaCl(wb), and NaCl(db) with four data classes that represent grades of salt quality (K1, K2, K3, and K4), and the salt data is divided into training and testing sets using the k-fold cross-validation method.Test results indicate that the K-NN method provides better outcomes compared to other methods, with an AUC value reaching 99.0%, accuracy of 91.7%, F1 Score reaching 91.6%, precision of around 91.9%, and recall of around 91.7%.
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 | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».