PENERAPAN DATA MINING KORELASI UMUR, PANGKAT DAN PENDIDIKAN TERHADAP JABATAN PADA POLRES BINJAI MENGGUNAKAN METODE ALGORITMA APRIORI
Notice bibliographique
Résumé
Mengenai penyediaan informasi jabatan, Personel harus memenuhi persyaratan untuk menduduki jabatan tersebut, Sesuai dengan Peraturan Kepolisian (PERKAP) tentang jabatan personel. Contohnya ialah seorang personel harus mencapai Ajun Komisaris Besar Polisi (AKBP) sehingga ia bisa menduduki jabatan sebagai Kepala Kepolisian Resort (KAPOLRES). Kegiatan menghubungkan data personel dengan menggunakan Algoritma Apriori dapat di lakukan dengan aturan aturan tertentu sehingga dapat menghasilkan hubungan antara pangkat dan umur dan mampu membantu para personel agar mengetahui informasi jenjang karir nya kedepan melalui sistem informasi kepolisian. Dari data personel yang mencakup umur, pangkat dan keahlian yang di korelasikan dengan jabatan menggunakan metode Algoritma Apriori terdapat nilai minimum Support 30% dan confidence nya 50% sehingga mendapatkan Best Rule nya adalah 15%. Dari hasil yang didapat yaitu jika usia Usia Polisi U2( 32 - 45 ), Pangkat Polisi APD (AIPDA) dan Pendidikan SMAmaka Jabatan yang diterima Polisi lebih cenderung kepada SSB (SATSABHARA) Hasil pengetahuan informasi baru untuk membantu para personel agar mengetahui informasi jenjang karir polisi kedepan dengan pangkat yang ia duduki sekarang berdasarkan support dan confidence sesuai pangkat dan umur
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 | 0,006 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,008 | 0,007 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,006 |
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 ».