PENGELOMPOKAN DATA KELUHAN PASIEN PADA LAYANAN RUMAH SAKIT BERDASARKAN KATEGORI MASALAH MENGGUNAKAN METODE CLUSTERING
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
Penelitian ini membahas pengelompokan data keluhan pasien pada layanan RSU Artha Medica Binjai berdasarkan kategori masalah menggunakan algoritma K-Means Clustering. Data penelitian mencakup periode 2023–2024 dengan variabel umur pasien, kategori keluhan, dan kategori masalah. Proses pengolahan dilakukan menggunakan perangkat lunak Matlab R2014a, menghasilkan enam cluster dengan karakteristik berbeda. Hasil pengujian menunjukkan konfigurasi enam cluster memiliki nilai cluster variance terendah sebesar 4,5682, menandakan distribusi data paling kompak dibanding konfigurasi lainnya. Secara khusus, cluster keenam memiliki variance 5,0008 dengan Vmin 0,2472 dan Vmaks 10,3912, menunjukkan variasi yang terkendali dan sebaran data yang merapat ke pusat cluster. Temuan ini membuktikan bahwa penerapan K-Means Clustering dapat membantu rumah sakit dalam memahami pola keluhan pasien secara lebih akurat dan menjadi acuan strategis untuk peningkatan kualitas pelayanan.
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 | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,048 |
| Science ouverte | 0,008 | 0,005 |
| 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