DATA MINING PENGELOMPOKAN PENGGUNA NARKOBA BERDASARKAN USIA MENGGUNAKAN METODE CLUSTERING (STUDI KASUS : BNN KOTA BINJAI)
Bibliographic record
Abstract
Peredaran dan penyalahgunaan narkoba merupakan masalah yang sangat kompleks, yang memerlukan upaya penanggulangan. Mengingat masih banyaknya kendala dalam proses pengelompokan pengguna narkoba di Kantor BNN Kota Binjai, untuk itu penulis mencoba membuat suatu sistem untuk mendukung proses pengelompokan yang terkomputerisasi yang dapat membantu mengelompokan secara otomatis pengguna narkoba berdasarkan usia, sehingga ada peluang untuk merancang sistem data mining pengelompokan didalamnya. Data mining adalah bagian dari sistem informasi berbasis komputer yang memperkerjakan satu atau lebih teknik pembelajaran komputer untuk menganalisis dan mengekstrasi pengetahuan secara otomatis yang dipakai untuk mendukung pengelompokan dalam suatu organisasi atau suatu perusahaan. Clustering adalah sebuah metode yang diterapkan dalam membuat suatu sistem data mining pengelompokan untuk memudahkan para staff dalam mengelompokan pengguna narkoba berdasarkan usia. Berdasarkan analisis yang telah dilakukan pada pengelompokan data pengguna narkoba dengan menggunakan metode clustering, maka perlu dilakukan proses cluster beberapa kali untuk mendapatkan hasil yang sama sesuai dengan proses yang pertama kali dilakukan. Dalam proses ini dilakukan proses sebanyak 10 kali proses sehingga mendapatkan hasil cluster. Pada cluster 1 yaitu 3 9 4, cluster 2 yaitu 3 1 4, cluster 3 yaitu 3 5 4 dengan jumlah pada anggota cluster 1 sebanyak 322 data, cluster 2 sebanyak 81 data dan cluster 3 sebanyak 97 data.
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 | 0.003 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.007 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 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 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".