Pemanfaatan Klasterisasi K-Means untuk Pengelompokan Berdasarkan Indikator Ekonomi, Digitalisasi, dan Produksi Komoditas
Notice bibliographique
Résumé
Penelitian ini bertujuan untuk memanfaatkan algoritma K-Means Clustering dalam mengelompokkan entitas berdasarkan berbagai indikator seperti dampak krisis ekonomi, kinerja perusahaan, adopsi digital, dan produksi komoditas. Data yang digunakan berasal dari sumber sekunder, termasuk dataset krisis ekonomi global (1970-2017), indikator kinerja perusahaan, persentase pengguna internet di ASEAN (2010), serta produksi komoditas perkebunan di Gunungkidul (2019). Metode penelitian meliputi tahapan preprocessing data (seleksi fitur, penghapusan missing values, dan normalisasi), penentuan jumlah klaster optimal menggunakan Elbow Method, dan evaluasi kualitas klaster dengan Silhouette Score. Hasil penelitian menunjukkan bahwa K-Means mampu mengelompokkan entitas dengan efektif, seperti membagi negara berdasarkan tingkat keparahan krisis ekonomi, perusahaan berdasarkan kinerja, negara ASEAN berdasarkan adopsi digital, serta kecamatan di Gunungkidul berdasarkan produksi komoditas. Temuan ini memberikan implikasi praktis bagi pengambilan kebijakan dan analisis lanjutan di berbagai sektor.
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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».