Application of the Apriori Algorithm to Determine Public Service Patterns at the Subdistrict Office
Notice bibliographique
Résumé
Public services at the sub-district office are a form of direct interaction between the government and the community. One of the public services is administrative services such as issuing ID cards, family cards, document legalization, domicile certificates, and SKTM certificates. At the Hamparan Perak District Office, there are several major issues that frequently arise in public services, including long waiting times, many citizens complaining about the length of service due to long queues and processes that are still conducted manually. The lack of service management due to the absence of a clear pattern in public services leads to an imbalance in the allocation of resources and manpower. By using the Apriori Algorithm, patterns of interrelated services can be identified, enabling the subdistrict office to optimize its service system. The Apriori Algorithm works by identifying frequently used service combinations (frequent itemsets) and forming association rules, thereby providing recommendations for service improvement. This method can improve service efficiency by identifying which services are frequently used together. Through testing using the RapidMiner application, this study identified age, gender, occupation, address, type of service, service time, and application status. The results show that 248 association rules were formed, with the highest Best Rule value of 5% support and 82% confidence on 3 item sets. The rule states: “If gender is male and age is between 56 and 46 years, then the application status is ‘Processed.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,009 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».