Peramalan Produksi Beras di Provinsi Jawa Tengah
Notice bibliographique
Résumé
Ketersediaan beras lokal perlu diprediksi untuk memenuhi kebutuhan pasokan beras di Indonesia. Jawa Tengah sebagai penghasil beras terbesar ketiga di Indonesia merupakan salah satu penopang kebutuhan beras nasional. Besarnya produksi pangan di Indonesia menjadi faktor penting dalam penentuan persediaan pangan yang tepat. Peramalan produksi beras di Jawa Tengah menjadi diperlukan untuk mengetahui kondisi pangan ke depan. Tujuan penelitian ini adalah untuk mengembangkan model peramalan produksi beras di provinsi Jawa Tengah dan mengetahui perkiraan produksi beras di Provinsi Jawa Tengah 5 tahun ke depan. Metode time series forecasting digunakan dalam penelitian ini. Data yang digunakan dalam penelitian ini adalah data hasil produksi beras dari tahun 1993 hingga tahun 2020. Dari hasil uji fungsi auto korelasi diketahui bahwa data produksi memiliki pola data tren. Metode yang digunakan dalam penelitian ini adalah metode double exponential smoothing dengan dua parameter (Holt’s Methods). Model peramalan yang optimal didapatkan dengan bantuan software solver pada Microsoft Excel. Dengan menggunakan bantuan solver Microsoft Excel diperoleh nilai konstanta optimal α sebesar 0,767 dan β sebesar 0,412 dengan nilai Mean Absolute Precentage Error sebesar 4,82%. Hasil peramalan dari tahun 2021 hingga 2025 diketahui menurun setiap tahunnya. Rata-rata penurunan produksi beras dalam 5 tahun ke depan diperkirakan sebanyak 4,4% per tahunnya. Kata kunci: beras, exponential smoothing, Jawa Tengah, peramalan
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,004 |
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 ».