PENGCLUSTERAN JENIS USAHA UKM BERDASARKAN PROGRAM BANTUAN DI KOTA BINJAI MENGGUNAKAN 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
Penelitian ini bertujuan untuk mengelompokkan jenis usaha UKM berdasarkan program bantuan yang diterima di Kota Binjai menggunakan algoritma K-Means. Permasalahan distribusi bantuan yang belum tepat sasaran dan tidak merata mendorong perlunya pemetaan berbasis data. Metode yang digunakan adalah algoritma K-Means yang diimplementasikan dengan MATLAB R2014a, dengan variabel domisili kecamatan, jenis usaha, dan jenis bantuan. Pengujian dilakukan dengan jumlah cluster 3 hingga 6 untuk menentukan model paling optimal. Hasil terbaik diperoleh pada model 6 cluster dengan nilai cluster variance terendah sebesar 0,7759, menunjukkan distribusi data yang paling kompak. Masing-masing cluster memiliki karakteristik berbeda yang merepresentasikan kebutuhan spesifik UKM di tiap wilayah. Dengan pendekatan ini, strategi penyaluran bantuan dapat dilakukan secara lebih objektif, efisien, dan sesuai kebutuhan. Penelitian ini diharapkan menjadi acuan dalam pengambilan keputusan berbasis data oleh pemerintah daerah dalam mendukung pemerataan ekonomi di Kota Binjai.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,007 | 0,009 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,034 |
| Science ouverte | 0,004 | 0,002 |
| 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