ANALISIS CLUSTERING STUNTING DENGAN DISTANCE EUCLID
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
Entering the Industrial Revolution Era 4.0, human resources must be supported by healthy and intelligent human resources so that they can increase competitiveness. The world still faces the problem of hunger and malnutrition today. According to a Unicef report, many people suffer from malnutrition in the world. The World Health Organization (WHO) says that malnutrition is a dangerous threat to the health of the world's population. Stunting also has an impact in Indonesia, the prevalence of toddlers experiencing stunting in Indonesia is 24.4% in 2021. The solution created is to classify and cluster stunting so as to produce patterns that can be used as best practice to be transmitted to other affected areas. The algorithm used is Euclid, the Euclid algorithm is able to cluster stunting prevalence data into 3 clusters with a little category of 66%, a medium category of 28%, a lot of category of 6%. The results of the classification and clustering of the best stunting prevalence in cluster two with a small number, can be used as a source of accurate and updated information that can be used by the government in its efforts to optimize stunting handling in each district/city based on artificial intelligence which can provide patterns for handling and optimizing stunting. in each district/city. Malnutrition is estimated to be the main cause of 3.1 million child deaths every year. Therefore, efforts need to be made to minimize stunting by predicting stunting sufferers. The prediction results can be used as an early prevention effort.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,006 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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