Grouping of Flood Victim Data Based on Damage Rate Using K-Means Algorithm Case Study: Binjai City Social Service
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
This study aims to classify flood disaster victim data in Binjai City based on three main variables: sub-district or location, damage level, and type of aid received. The data were obtained from the Binjai City Social Service in 2024 and processed using the K-Means Clustering method with the Matlab R2014b application. The stages include data transformation, determining the number of clusters, selecting initial centroids, calculating Euclidean distance, and evaluating the results. Tests were conducted with configurations of 2, 3, 4, and 5 clusters. In the 2-cluster configuration, the distinction was observed between areas with low damage and limited to moderate aid, and areas with medium damage and more extensive aid. In the 3-cluster configuration, the second test produced the most optimal cluster in Kartini Sub-district with light damage and limited food aid. In the 4-cluster configuration, the most compact cluster was found in Setia Sub-district with medium damage and aid in the form of food and blankets. In the 5-cluster configuration, the most specific result was obtained in Rambung Barat Sub-district with medium damage and aid in the form of food and blankets. These findings indicate that the 5-cluster configuration provides more detailed and targeted classification, serving as a strategic reference for aid distribution.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle