Optimasi Penyusunan Koleksi Buku Dinas Perpustakaan Berdasarkan Pola Peminjaman dengan Metode Apriori
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
A library is a facility or place that provides reading materials. Good book arrangement can help the library in obtaining good reading sources. The arrangement of library service book collections based on borrowing patterns, there is an alignment between user needs and the availability of reading materials available in the library. Analysis of book borrowing patterns provides valuable insights for library staff in determining the books that are most in demand and often needed by users. Data mining is defined as mining data or efforts to dig up valuable and useful information in a very large database. The most important thing in data mining techniques is the rule for finding high frequency patterns between sets of itemsets called Association Rules. The method used in this study is Apriori (Association Rule). This technique is used to find relationships or associations between items or variables in data. Well-known algorithms such as Apriori and Eclat are used to find association rules in transactional data. The purpose of this study is to find out library visitor data using the Apriori Algorithm method and to find out the application of data mining for compiling book collections based on borrowing patterns. The results of this study are the multiplication of support and confidence, choose the one with the largest multiplication result. The largest result of the multiplication of these multiplications is the rule used when borrowing books. Because the results of the multiplication of the 4 borrowings have the same value, all of them can be used as rules.
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 | 0,001 | 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) | 0,002 | 0,014 |
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