ANALISIS PERAMALAN (Forecasting) PRODUKSI KARET (Hevea Brasiliensis) DI PT PERKEBUNAN NUSANTARA IX KEBUN SUKAMANGLI KABUPATEN KENDAL
Notice bibliographique
Résumé
Rubber plant productivity is affected by production factors such as amount of labour, amount of land area, number of productive tree, manure and rainfall. Production factors must be controlled to meet optimum rubber production, due to the increasing need of rubber. Rubber consumption on 2009 is 9,277 millions ton, while on 2010 increase become 10,664 millions ton. World crude rubber is able to provide 9,702 millions ton on 2009 and 10,219 million ton on 2010. Factor that influence rubber harvest result is the benchmark to get the decision to support the rubber achievement harvest optimally. The purposes of this research is to know and forecasting the harvest result of rubber production in PT Perkebunan Nusantara IX (PTPN IX) Sukamangli estate in the future i.e. 2015, 2016 and 2017. This research used descriptive analytical method. The data analysis used forecasting with ARIMA analysis. The base on ARIMA model, forecasting result for rubber production in 2015 amounted to 325675.9 kg (Quarter I), 396571.3 kg (Quarter II), 338552.1 kg (Quarter III), 258359.4 kg (Quarter IV). In 2016 amounted to 356854.6 kg (Quarter I), 442136.9 kg (Quarter II), 387335.1 kg (Quarter III), 293983.5 kg (Quarter IV). In 2017 amounted to 395750.9 kg (Quarter I), 492849.0 kg (Quarter II), 424360.7 kg (Quarter III), 328790.9 kg (Quarter IV). The result of forecasting rubber production showed that the rubber production while be increases on 2017. Keywords: ARIMA, multiple regression, production factors, rubber production
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».