Korelasi Faktor Penyebab Tindak Kekerasan dalam Rumah Tangga Menggunakan Data Mining Algoritma A Priori
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Badan Keluarga Berencana dan Pemberdayaan Perempuan Kabupaten Langkat Sumatera Utara merupakan suatu instansi pemerintahan yang bertanggung jawab melayani masyarakat kabupaten Langkat dalam kasus kekerasan dalam rumah tangga(KDRT). Kekerasan dalam rumah tangga sudah termasuk masalah yang umum terjadi dalam kehidupan rumah tangga. Hal ini dikarenakan kurang harmonisnya hubungan dalam rumah tangga tersebut. Semakin banyaknya masyarakat yang melakukan tindakan kekerasan, maka perlu mencari solusi dan sebuah pengetahuan baru untuk mengatasi permasalahan ini dengan korelasi faktor penyebab tindak kekerasan dalam rumah tangga menggunakan algoritma a priori untuk menghasilkan kombinasi terdekat antar variabel. Teknik yang digunakan dalam aplikasi data mining ini adalah aturan asosiasi dengan algoritma a priori. Algoritma apriori ini melakukan proses iterasi untuk menghasilkan kombinasi item yang memiliki pola frekuensi tinggi, berdasarkan nilai ambang batas support dan confidence yang diberikan oleh user. Teknik ini menganalisis kombinasi faktor penyebab terjadinya tindak kekerasan dalam rumah tangga yang sering dialami korban berdasarkan pada data korban berjumlah 307 data kekerasan dalam rumah tangga. Melalui data tindak kekerasan dalam rumah tangga yang berjumlah 307 data, telah diperoleh hasil sebanyak 74 rule. Dan dari 74 rule yang terbentuk, telah ditemukannya rule terbaik dengan keterangan yaitu, seorang ibu rumah tangga cenderung mengalami jenis kekerasan berupa kekerasan fisik yang disebabkan oleh faktor ekonomi, support 20% dan confidence 76%.
 Kata Kunci: Korelasi Faktor Penyebab Kekerasan Dalam Rumah Tangga, Algoritma A Priori.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.007 | 0.004 |
| Research integrity | 0.000 | 0.002 |
| Insufficient payload (model declined to judge) | 0.000 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it