Pengelompokan Data Kasus Keracunan Makanan Biologis Berdasarkan Faktor Penyebab Menggunakan Metode Clustering
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.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».