Pengelompokan Data Penerima Bantuan untuk Disabilitas di Kota Binjai Menggunakan Metode Clustering Algoritma K-Means
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
In Indonesia, people with disabilities are often overlooked and underestimated because they do not have perfect physical abilities to do certain jobs or activities. The majority of them come from underprivileged families and are often underdeveloped. The unstructured process of distributing assistance can result in the assistance provided is not in accordance with the needs, so it is not optimal in improving the welfare of persons with disabilities. In addition, without a clear grouping, it is difficult for the government to design a more specific and targeted assistance program. Therefore, to overcome this problem, the agency needs to have an additional system to be able to assist in overcoming the problem of disability assistance recipients, namely by using the clustering method to group beneficiary data based on age, type of disability, and type of assistance. Thus, this clustering is expected to provide information and a clearer picture of the needs of each disability group, so that the assistance program provided can be distributed more optimally according to what people with disabilities need. After calculating using the existing cluster formula4, iteration 2 is the same as in iteration 1 and there is no data that moves groups anymore so the calculation can be stopped. So that a cluster graph can be made grouping data on beneficiaries of assistance for disabilities in Binjai City using the K-Means algorithm clustering method.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 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