Clustering Menggunakan Algoritma K-Means untuk Mengelompokan Data Perjudian Berdasarkan Wilayah di Kota Binjai (Studi Kasus : Pengadilan Negeri Binjai)
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
The Binjai District Court is a government agency that has the duty and authority to receive, examine and decide every case registered at the Binjai District Court. The Binjai District Court handles many gambling cases, but data management is still not fast and accurate because it still uses manual methods, so the agency needs to implement an application system. To solve this problem, you can use data mining applications, namely by utilizing existing data to dig up new information. One of the techniques in data mining is clustering. Clustering was chosen because it can group data according to the desired characteristics, in this research it means grouping gambling data in the Binjai City area. The clustering algorithm used is K-Means Clustering integrated into a desktop-based programming application. The conclusion obtained is that the system designed has proven successful in grouping gambling data into 3 clusters (groups). The process using MATLAB R2014a obtained results in group 1 which amounted to 276 data with a data centroid center (6.92; 2.41; 4.33) including the category of low levels of gambling, group 2 which amounted to 337 data with a data centroid center (7.56 ; 2.10; 14.48) is included in the category of moderate level of gambling and group 3 which amounts to 387 data with the centroid data (7.56; 2.10; 28.02) is included in the category of high level of gambling.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,012 | 0,011 |
| Intégrité de la recherche | 0,001 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle