IMPLEMENTASI DATA MINING PENGELOMPOKAN JUMLAH DATA PRODUKTIVITAS UBINAN TANAMAN PANGAN BERDASARKAN JENIS UBINAN DENGAN METODE CLUSTERING DIKAB LANGKAT (STUDI KASUS : BADAN PUSAT STATISTIK LANGKAT)
Bibliographic record
Abstract
Berdasarkan data hasil survei ubinan di Badan Pusat Statistik (BPS) Langkat terdapat beberapa daerah yang menjadi sample dan terdapat hasil produktivitas petani dalam menanam tanaman pangan. Untuk itu diperlukan pengelompokan jumlah data hasil survei ubinan berdasarkan jenis ubinan tanaman pangan untuk mengelompokan jumlah hasil panen petani dalam menanam tanaman pangan disetiap kecamatan. Data Mining adalah sebuah proses menemukan informasi dengan mengidentifikasi pola pada data set. Proses menemukan informasi dapat dilakukan dengan pengelompokan data yaitu menggunakan metode Clustring dengan algoritma K-Means. Dengan menggunakan K-Means bertujuan dalam memudahkan pengelompokan jumlah data produktivitas ubinan tanaman pangan berdasarkan jenis ubinan dengan hasil produktivitas tanaman pangan. Dan data yang digunakan dalam penelitian ini yaitu data survei ubinan selama 3 tahun yaitu tahun 2017sampai 2019. Dari hasil analisis program yang telah diuji dengan menggunakan matlab dan telah ditentukan variabel-variabel dapat diketahui bahwa, untuk cluster 1 hasil jenis ubinan tanaman pangan, jumlah produksi dan kecamatan jumlah data 423 data, untuk cluster 2 hasil jenis ubinan tanaman pangan, jumlah produksi dan kecamatan jumlah data 387 data, untuk cluster 3 hasil jenis ubinan tanaman pangan, jumlah produksi dan kecamatan jumlah data 432 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 | 0.006 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 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".