PENERAPAN TEKNOLOGI BUDIDAYA JENUH AIR UNTUK MENINGKATKAN PENDATAPATAN PETANI KEDELAI HITAM DI KABUPATEN TANJUNG JABUNG TIMUR
Notice bibliographique
Résumé
Penelitian ini bertujuan untuk mengetahui seberapa besar perubahan pendapatan petani kedelai hitam dengan penerapan teknologi Budidaya Jenuh Air di Kabupaten Tanjung Jabung Timur. Penelitian ini dilaksanakan pada bulan Juli hingga Oktober 2017.di tiga kecamatan yaitu Kecamatan Berbak, Dendang dan Rantau Rasau. Data yang digunakan adalah data primer dan data sekunder.Data primer diperoleh dari 86 responden yang diambil secara purposive sementara data sekunder diperoleh dari instansi terkait dan beberapa publikasi yang relevan dengan penelitian. Pendapatan dihitung dengan analisis pendapatan yang juga dapat melihat tingkat efisiensi yang dihitung dengan membandingkan penerimaan yang diterima petani dengan biaya yang dikeluarkan. Kelebihan teknologi budidaya jenuh air adalah produksi kedelai hitam yang dihasilkan lebih tinggi dibandingkan dengan produksi dari usahatani konvensional dan teknologi ini sesuai untuk diterapkan di lahan sub optimal seperti lahan pasang surut. Hasil penelitian menunjukkan bahwa Pendapatan petani kedelai hitam yang menerapkan teknologi BJA Rp. 2.140.000 lebih tinggi dari pendapatan yang diperoleh dari usahatani konvensional Rp1.810.000. Nilai R/C-Ratio pada budidaya BJA (1,2) lebih kecil dibanding nilai R/C-Ratio pada budidaya kedelai konvensional (1,3).
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,084 | 0,028 |
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 ».