Penerapan Algoritma Apriori Mengetahui Pola Tindakan Kriminal Berdasarkan Wilayah ( Studi Kasus : Polsek Sunggal)
Notice bibliographique
Résumé
Police Sector (Polsek) is one of the agencies that provide protection, order and ensure public safety in the sunggal area. The number of cases of criminal acts that occur makes residents feel unsafe and always feel threatened in certain areas in the Sunggal sub-district, the pattern of criminal acts that often occur due to several factors, one of which is due to the lack of security in the area so that many criminal acts occur as well as behaviour that has been planned by the perpetrator to achieve their goals by planning, preparing, implementing, disposing of evidence, even hiding or escaping depending on the type of crime committed based on the characteristics of the perpetrator, and the situation or context in which the crime occurred. Therefore, it is necessary to analyse techniques from existing criminal data using the a priori algorithm method to find patterns of relationships between variables that can assist agencies in taking action for public safety. Based on the research conducted, the above case is tested with a minimum support = 10%, confidence = 100% so that the results of the rule that meets the support and confidence values are obtained: ‘If the criminal act is theft then the job is self-employed’, then giving value is successful with 15% support, 100% confidence. And ‘If the age of 17-25 years, the criminal act is Theft then the job is unemployed’, then giving value is successful with 10% support, 100% confidence.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,023 | 0,005 |
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 ».