Pengelompokan Data Keluhan Masyarakat Terhadap Fasilitas Umum diKota Binjai 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
Public Facilities in Binjai City are infrastructure that is provided free of charge that can be enjoyed by the community and is one of the vacation spots that does not need to spend a lot of money, but there are several infrastructure facilities that are not maintained, dirty and have damage from minor to the most severe, even infrastructure, so that it greatly affects the comfort of the community. In the process of maintaining public facilities in Binjai City in accordance with the Binjai City Regional Regulation Letter Number 1 of 2024 concerning public facilities used for public purposes, including for educational, health, worship, socio-cultural, sports and recreational activities (Hamzah, 2024). The Environmental Service of Binjai City really needs input from the community to continue to help maintain and care for the facilities provided so that the agency can handle and respond to community complaints such as a lot of garbage, dirty, rusty, muddy facilities and others as well as input reported by the community on the cleanliness of public facilities in Binjai City. Therefore, the agency needs a system using the clustering method that can manage community complaint data to be used as information that can assist the agency in taking quick action to deal with the problem of community complaints about public facilities in Binjai City. Based on the research conducted on the case experiment above from testing 20 data, there are 3 groups, namely group 1 there are 5 data and group 2 there are 9 data, and group 3 there are 6 data which can be known that in cluster 2 the group of public complaints about public facilities in Binjai City with public facilities (X) Studion Field, with complaints (Y) Becek, Banyak Sampah, & Berkarat, with Advice (Z) Repair & Maintain Cleanliness.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,006 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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