Pengelompokan Data Kasus Keracunan Makanan Biologis Berdasarkan Faktor Penyebab Menggunakan Metode Clustering
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
Cases of biological food poisoning can be caused by several causative factors, one of which is a food processing site that does not meet health requirements. According to the BPOM report (2016) cases of food poisoning in Indonesia in 2016 reached 1,068 cases. In 2016, 60 extraordinary events (KLB) of food poisoning were reported by 31 BB/BPOM throughout Indonesia. From the many cases of food poisoning that occur, it is necessary to take action in prevention by processing data on existing cases of poisoning to follow up on existing problems to reduce the number of cases of food poisoning by using a system on a computer so that the managed data can be processed quickly to obtain further information. Therefore the author wants to use a system with the clustering method to assist in processing data on biological poisoning cases grouping objects based on the characteristics of each object. Based on the research conducted, it can be seen that in cluster 2 in the dasta group of biological poisoning cases there are 11 data with centroid point age (x) 2, namely 12-16 years, centroid point on the type of poisoning (y) 6.36, namely sandwiches, and centroid point on the causative factor (z) 2.9, namely Gram-negative rod-shaped bacteria which are usually found in the intestines of humans and warm-blooded animals.
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 | 0,004 | 0,002 |
| 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