Pengelompokkan Pendonor Darah Berdasarkan Golongan Darah Di PMI Kabupaten Langkat Menggunakan Metode Clustering 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 data pendonor darah berdasarkan golongan darah, tempat domisili, dan usia menggunakan metode Clustering K-Means. Palang Merah Indonesia (PMI) Kabupaten Langkat menghadapi tantangan dalam pengelolaan data pendonor yang masih bersifat konvensional, sehingga diperlukan pendekatan berbasis data mining untuk meningkatkan efisiensi dan akurasi pengelompokan data. Data sebanyak 2000 pendonor diolah menggunakan algoritma K-Means melalui perangkat lunak MATLAB R2014b dengan konfigurasi 3, 4, dan 5 cluster. Hasil pengujian menunjukkan bahwa konfigurasi 5 cluster memiliki nilai rata-rata variance terendah sebesar 2,2048, yang menandakan bahwa pengelompokan lebih kompak dan stabil dibandingkan konfigurasi lainnya. Mayoritas pendonor darah berasal dari golongan darah A, domisili Kecamatan Stabat, dan berusia 25–44 tahun (dewasa). Pengelompokan ini diharapkan dapat membantu PMI Kabupaten Langkat dalam menyusun strategi pelayanan donor darah secara lebih tepat sasaran dan efisien.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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