MétaCan
Menu
Retour à la cohorte
Enregistrement W2263134599 · doi:10.12962/j23373539.v4i2.10911

Tipologi Kecamatan Tertinggal di Kabupaten Lombok Tengah

2015· article· id· W2263134599 sur OpenAlexaff
Baiq Septi Maulida Sa'ad, ‪Eko Budi Santoso‬

Notice bibliographique

RevueJurnal Teknik ITS · 2015
Typearticle
Langueid
DomaineEconomics, Econometrics and Finance
ThématiqueEconomic Growth and Fiscal Policies
Établissements canadiensEncana (Canada)
Organismes subventionnairesnon disponible
Mots-clésHumanitiesArt

Résumé

récupéré en direct d'OpenAlex

<em>Abstrak</em>—<em> </em><em>Kabupaten Lombok Tengah termasuk dalam kategori Kabupaten Tertinggal di Provinsi Nusa Tenggara Barat berdasarkan RPJMN tahun 2010-2014. Selain itu, terdapat kesenjangan pada beberapa Kecamatan di Kabupaten Lombok Tengah akibat pembangunan Bandara Internasional Lombok sehingga perlu dilakukan identifikasi dan upaya pengembangan terhadap kecamatan tertinggal tersebut. Penelitian ini bertujuan untuk menganalisis tipologi kecamatan tertinggal di Kabupaten Lombok Tengah berdasarkan aspek sosial dan ekonomi. Dalam perumusan Tipologi Kecamatan Tertinggal ini menggunakan Analisis Faktor Konfirmatori untuk menentukan faktor yang berpengaruh terhadap ketertinggalan kecamatan, analisis tipologi klassen untuk mengidentifikasi kecamatan tertinggal, dan analisis klaster untuk mentipologikan kecamatan tertinggal. Dari hasil penelitian terdapat empat faktor yang berpengaruh terhadap ketertinggalan kecamatan di Kabupaten Lombok Tengah yaitu faktor kualitas SDM, kondisi infrastruktur sosial, kondisi perekonomian dan kondisi infrastruktur ekonomi. Berdasaarkan hasil analisis tipologi Klassen, terdapat 8 kecamatan tertinggal yaitu Kecamatan Praya Barat Daya, Janapria, Kopang, Praya Tengah, Jonggat, Pringgarata, Batukliang dan Kecamatan Batukliang Utara. Kecamatan tertinggal ini</em><em> terbagi menjadi 3 klaster berdasarkan aspek sosial dan 3 klaster berdasarkan aspek ekonomi yang mana setelah ditipologikan menjadi 5 tipologi berdasarkan aspek sosial dan ekonomi.</em><strong><em></em></strong>

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,342
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,011

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,084
Tête enseignante GPT0,247
Écart entre enseignants0,163 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJurnal Teknik ITSMême sujetEconomic Growth and Fiscal PoliciesTravaux en français237 207