ANALISIS TENAGA KERJA DAN PERTUMBUHAN EKONOMI DI INDONESIA DENGAN MENGGUNAKAN METODE VECTOR AUTOREGRESSIVE
Notice bibliographique
Résumé
Indonesia sebagai salah satu negara sedang berkembang, saat ini terusmelaksanakan percepatan pembangunan ekonomi. Sesuai dengan Garis-garis BesarHaluan Negara (GBHN), tujuan pembangunan nasional adalah mewujudkan masyarakatadil dan makmur berdasarkan Pancasila dan UUD 1945. Untuk dapat mencapai tujuantersebut, di dalam setiap Repelita dirumuskan berbagai program dan kebijaksanaanpembangunan yang bersifat makro, sektoral maupun regional.Data yang digunakandalam penelitian ini bersumber dari Badan Pusat Statistik (BPS) Indonesia, DepartemenTenaga Kerja, Bappeda dan lain-lain. Jenis data yang digunakan adalah data sekunderdengan menggunakan variabel tenaga kerja dan pertumbuhan ekonomi periode 1990-2014.Penelitian ini bertujuan untuk mengetahui pengaruh tenaga kerja terhadappertumbuhan ekonomi.Berdasarkan analisis impuls respons dan variance decompositiondisimpulkan bahwa, respon tenaga kerja terhadap pertumbuhan ekonomi berkorelasipositif mulai periode pertama sampai periode kesepuluh terus menuju titikkeseimbangan. Artinya peningkatan tenaga kerja berpengaruh terhadap peertumbuhanekonomi di Indonesia
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».