Metode Boost-K-means untuk Clustering Puskesmas berdasarkan Persentase Bayi yang Diimunisasi
Bibliographic record
Abstract
Dinas Kesehatan Kabupaten/Kota adalah satuan kerja pemerintahan daerah kabupaten/kota yang bertanggung jawab menyelenggarakan urusan pemerintahan dalam bidang kesehatan di kabupaten/kota. Pelayanan kesehatan adalah upaya yang diberikan oleh Puskesmas kepada masyarakat, mencakup perencanaan, pelaksanaan, evaluasi, pencatatan, pelaporan, dan dituangkan dalam suatu sistem. Pada penelitian ini, akan digunakan data persentase bayi yang diimunisasi yang merupakan salah satu layanan dari Puskesmas. Pelayanan imunisasi ini merupakan pelayanan imunisasi dasar meliputi BCG, DPT/HB1-3, polio 1-4 dan campak. Data persentase bayi yang diimunisasi belum memiliki pengelompokan sehingga pada penelitian ini akan diterapkan metode clustering untuk melakukan pengelompokan Puskesmas berdasarkan persentase bayi yang diimunisasi. Data persentase bayi dari masing-masing Puskesmas dijadikan data uji yang akan diterapkan pada proses multi-clustering dengan metode boost-clustering. Output dari penerapan metode ini akan dibandingkan dengan output metode clustering dasar k-means, hasil clustering akan diukur menggunakan metode silhouette index. Evaluasi menggunakan metode silhouette index dilakukan pada dataset puskesmas. Analisis dilakukan dengan melihat hasil evauasi dataset yang sudah diimplementasikan kedalam algoritma cluster dasar k-means dan algoritma multiclustering boost-k-means. Berdasarkan hasil evaluasi, diperoleh nilai silhouette index 0,798102756 untuk k-means dan 0,789901932 untuk boost-k-means, dengan ini algoritma yang diusulkan memiliki kualitas hasil clustering minimal sama atau lebih baik dari single clustering k-means dengan jumlah iterasi yang lebih sedikit
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.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 0.007 |
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 itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".