PENGGEROMBOLAN SUBSEKTOR INDUSTRI BERDASARKAN PERKEMBANGAN INDEKS PRODUKSI MENGGUNAKAN PREDICTION-BASED CLUSTERING
Notice bibliographique
Résumé
Statistics Indonesia (BPS) noted that there has been a decrease in the contribution of the industrial sector to the national GDP even though it had provided a significant multiplier effect on national economic growth. Therefore, it is necessary to cluster the industrial subsector based on its growth patterns so that the optimization of development results can be achieved. Prediction-based clustering is part of time series clustering (TSclust) which aims to form clusters based on prediction characteristics so that it can be used to choose a cluster that will become a mainstay industry in the future. This study focused on applying prediction-based clustering in the large and medium industrial sub-sector for a prediction period of 1 month, 1 quarter, and 1 semester. The data used in this study was the production index data from January 2010 to December 2018. The results showed that the best cluster for 1 month consisted of 5 groups, for 1 quarter consisted of 4 groups and for 1 semester consisted of 2 groups. Thus, it was concluded that the food industry; leather industry, leather goods, and footwear; and the pharmaceutical industry, chemical drug products, and traditional medicine could be chosen to be the mainstay industry in the future.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 tête enseignante, 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 ».