DATA MINING DALAM PENGELOMPOKKAN JUMLAH DATA PRODUKTIVITAS TANAMAN PANGAN MENGGUNAKAN METODE CLUSTRING K-MEANS ( STUDI KASUS : BADAN PUSAT STATISTIK KOTA BINJAI)
Bibliographic record
Abstract
Dari data hasil survei pada Badan Pusat Statistik (BPS) Kota Binjai bahwa hasil panen dan produktivitas tanaman pangan bervariasi hasilnya. Disebabkan pada setiap daerah berbeda kondisinya baik itu dari segi faktor lahan, teknik panen, dan hasil panen, sehingga menyebabkan BPS kesulitan dalam mengetahui hasil jumlah produktivitas tanaman pangan dari setiap kecamatan. Untuk itu diperlukan penggelompokkan jumlah data produktivitas tanaman pangan. Dengan menggunakan k-means sehingga mudah dalam memperoleh informasi mengenai data akurat produktivitas tanaman pangan dari setiap kecamatan, sehingga memudahkan pihak instansi dalam memenuhi kebutuhan penyaluran benih tanaman pangan dari setiap kecamatan dari data yang sudah di kelompokkan. Dan data yang di gunakan dalam penelitian ini yaitu data survei tanaman pangan selama 4 tahun yaitu tahun 2017-2020. Dari hasil analisis program yang telah diuji dengan menggunakan matlab dan dengan variabel yang telah di tentukan sehingga dapat di ketahui bahwa dari kecamatan, dengan jenis tanaman, dan jumlah produksi pada cluster 1 senbanyak 132 data, untuk cluster 2 sebanyak 143 data, danuntuk cluster 3 sebanyak110 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 | 0.005 | 0.015 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.005 | 0.009 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.007 | 0.006 |
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".