PENERAPAN DATA MINING PENGELOMPOKKAN PENYAKIT MENULAR SEKSUAL (PMS) MENGGUNAKAN METODE CLUSTERING
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
Penyakit Kelamin (veneral disease) sudah lama dikenal diIndonesia. Sejalan dengan majunya ilmu pengetahuan istilah tersebut sudah tidak digunakan lagi dan dirubah menjadi Sexually Transmitted Disease (STD) atau Penyakit Menular Seksual (PMS). Infeksi menular seksual adalah infeksi yang ditularkan dari satu orang ke orang lainnya, penyakit PMS yang banyak diderita oleh beberapa laki-laki, perempuan dan remaja yang mengikuti pergaulan yang begitu luas dan bebas dan adanya fenomena gaya hidup modern, mereka rela melakukan apapun tanpa memikirkan resiko yang tidak tanggung-tanggung hingga terjangkitnya penyakit menular yang dapat merenggut jiwa pasien.Dalam hal ini peneliti juga ingin mengetahui penyakit apa saja yang sering terjadi pada beberapa pasien dan dengan diketahuinya penyakit yang diderita pada pasien, maka pihak rumah sakit dapat memberitahu langsung bagaimana pencegahan serta pengobatan yang harus dilakukan oleh pasien yang akan terjangkit maupun yang sudah terjangkit penyakit menular. jenis penyakit Kondiloma Akuminata dan faktor penyebabnya adalah Virus DNA Golongan Papovavirus. Dan dapat diketahui pada cluster 3 dari kriteria usia, jenis penyakit, dan faktor penyebab, kelompok mana yang memiliki himpunan / nilai paling tinggi dan paling banyak pasien yang mengalami sakit, yaitu pada Cluster 1 berjumlah 247 data pasien yang sakit usia 18-35 tahun dengan penyakit yang dialami ialah penyakit sifilis dan faktor penyebabnya adalah Bakteri Spiroseta. Dalam pengujian diatas dapat diketahui juga bahwa antara usia, jenis penyakit, dan faktor penyebab memiliki hubungan.
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 | 0.004 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.005 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.002 |
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