METODE SSA PADA DATA PRODUKSI PERIKANAN TANGKAP DI PROVINSI JAWA BARAT
Notice bibliographique
Résumé
Indonesia is an archipelagic country where 2/3 of its territory is ocean. The vastness of Indonesia's oceans is expected to produce abundant sea products that can meet the needs of Indonesian consumers, especially fish. Adequacy of the amount of fish consumption can be assessed through the number of fish catch. Based on data at the Ministry of Marine Affairs and Fisheries in 2015, West Java has a low growth of fish consumption, 6.05% in 2010-2014. Therefore, it is necessary to forecast the results of fish catch for several years ahead so it can be known whether the provision of fish consumption will be fulfilled or not. One method that can be used is Singular Spectrum Analysis (SSA). The SSA method is a flexible method because it uses a nonparametric approach. That is, in its application, this method does not require the model specification of time series data, as well as parametric assumptions. Forecasting accuracy of a method is said to be good if it has a MAPE value less than 20%. MAPE of SSA method forecast is 6.19% so that SSA method is suitable for forecasting of capture fishery production in West Java Province. The forecast for fishery production in West Java Province in 2015 for the first, second, third, and fourth quarter were 53,978.49 Ton, 54,406.91 Ton, 50,889.11 Ton, and 56,896.96 Ton, respectively.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 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) | 0,015 | 0,010 |
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 ».