Identification of Factors Affecting Food Productivity Improvement in Kalimantan Using Nonparametric Spatial Regression Method
Notice bibliographique
Résumé
Problems of Food Productivity in Kalimantan is experiencing instability. Every year, various problems and inhibiting factors that cause the independence of food production in Kalimantan are suffering a setback. The food problems in Kalimantan requires a solution, therefore this study aims to analyze the factors that influence the increase of productivity and production of food crops in Kalimantan using Spatial Statistics Analysis. The method used is Nonparametric Spatial Regression with Geographic Weighting. Sources of research data used are secondary data and primary data obtained from the Ministry of Agriculture and the Central Statistics Agency. The total area used is 56 regencies/cities in Kalimantan. The results show that there are 13 factors affect food productivity in Kalimantan. These factors are the number of agricultural business households, the number of workers in agriculture, the amount of rice production, rice field area, rice field harvest area, irrigation network area, area of each region, total area based on altitude class, area based on slope/slope class, economic growth rate, Gross Regional Domestic Product, Regional Development Index and Population Density. The best model is obtained using the geographical weighting of the Gaussian kernel function with the cross-validation value 5,65. The criteria for the goodness of the model with the number of knots 3 and order m = 1 have R2 value of 97,19% and the value of AIC is 2,43.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».