Análisis de la gestión documentaria mediante el árbol de decisiones J48 para una data set normalizada usando la herramienta WEKA, en la UGEL Chucuito, Juli 2023.

• Autores: Carbajal Pari, Jhenery Anyela, Tapia Barrios, Roger Wilber
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Nacional del Altiplano
• Repositorio: UNAP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unap.edu.pe:20.500.14082/23842
• Enlace del recurso: https://repositorio.unap.edu.pe/handle/20.500.14082/23842
• Nivel de acceso: acceso abierto
• Materia: Árbol de decisión; J48; Gestión documentaria; Automatización; Configuración; Clasificación; Machine Learning; https://purl.org/pe-repo/ocde/ford#2.02.04

En los tiempos actuales, la importancia de automatizar los procesos ha cobrado importancia en las organizaciones, con el fin de aumentar el rendimiento y eficiencia de la entidad, que puede ser tomado desde una percepción de la parte física (hardware) o parte lógica (software). Por ello, este estudio tuvo como objetivo realizar mejoras de la gestión documentaria mediante el árbol de decisiones J48 en la UGEL Chucuito, Juli, 2023. Para este estudio, se empleó una metodología de tipo aplicada de nivel descriptivo y explicativo, de diseño experimental de pre y post test. La población lo conformaron 1000 documentos; y, la muestra, 350 documentos. Para la obtención de la información, se dio a partir de los documentos ingresados a la entidad, los mismos que fueron procesados para adaptarse a la estructura de la información del árbol J48; posteriormente, se programó y se evaluó la calidad del programa bajo la norma ISO 25000. Los resultados indicaron que el árbol de decisión J48 mejore ligeramente la confiabilidad del ordenamiento de los documentos en la entidad. Se concluyo que la implementación del árbol de decisiones J48 en la gestión documentaria de la UGEL Chucuito, usando un data set normalizado en WEKA, ha mostrado buenos resultados. Con una exactitud del 84.29 %, el modelo es efectivo en clasificar documentos. Sin embargo, la tasa de error de 15.71 % sugiere que se pueden realizar ajustes para mejorar la precisión. En general, el modelo es exitoso y optimizable para una mejor clasificación.