Pemetaan dan Analisis Faktor yang Mempengaruhi Persentase Usaha E-Commerce di Indonesia
Notice bibliographique
Résumé
Perkembangan teknologi dan informasi membawa dampak pada pertumbuhan E-Commerce di Indonesia. Sebagai pasar E-Commerce besar di ASEAN, usaha E-Commerce di Indonesia masih terpusat di Pulau Jawa dan Sumatera. Hal ini mengindikasikan masih belum meratanya usaha E-Commerce di Indonesia. Pada penelitian ini dibahas terkait ada tidaknya pengaruh faktor spasial atau kewilayahan pada persentase usaha E-Commerce di Indonesia. Metode yang digunakan adalah Geographical Weighted Regression (GWR). Hasil analisis mengklasifikasikan 34 provinsi di Indonesia menjadi lima kelompok berdasarkan model signifikan yaitu (1) Enam provinsi di Indonesia signifikan terhadap pertumbuhan ekonomi, (2) Sembilan provinsi signifikan terhadap keahlian di bidang TIK, (3) Dua provinsi signifikan terhadap keahlian di bidang TIK dan ketersediaan BTS, (4) Tiga provinsi signifikan terhadap keahlian di bidang TIK dan pertumbuhan ekonomi, (5) Empat belas provinsi di Indonesia tidak signifikan terhadap variabel prediktor yang digunakan pada penelitian ini.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,003 |
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 ».