Penerapan Algoritma Apriori Mengetahui Pola Tindakan Kriminal Berdasarkan Wilayah ( Studi Kasus : Polsek Sunggal)
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
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle