Pemanfaatan Analisis Spasial Hot Spot (Getis Ord Gi*) untuk Pemetaan Klaster Industri di Pulau Jawa dengan Memanfaatkan Sistem Informasi Geografi
Notice bibliographique
Résumé
Perkembangan industri di Indonesi terus mengalami kemajuan yang ditandai dengan semakin banyaknya jumlah industri dan semakin meningkatnya kontribusi bagi pertumbuhan ekonomi. Dalam perkembangannya, banyak industri yang didirikan dan dikembangkan dalam satu kawasan tertentu membentuk klaster agar memiliki keuntungan aglomerasi dan komplementaritas produksi. Klaster-klaster industri di Indonesia mulai menyebar ke berbagai daerah, terutama di Pulau Jawa. Oleh karena itu, diperlukan kajian dinamika pola perkembangan dan pergeseran spasial klaster industri untuk mengidentifikasi dan melakukan pemetaan klaster industri. Pemetaan klaster industri dilakukan dengan dukungan analisis spasial memanfaatkan analisis spasial Hot Spot (Getis Ord Gi*) dari Sistem Informasi Geografi. Tujuan dari penelitian ini adalah: (1) Penentuan Klaster Industri di Pulau Jawa melalui Pemanfaatan Analisis Spasial Hot Spot (Getis Ord Gi*), (2) Melakukan analisis perbandingan pola spasial klaster industri menurut klasifikasi industri, dan (3) Menganalisis pergeseran spasial klaster industri di Pulau Jawa selama 20 tahun terakhir. Penelitian ini menggunakan metode penelitian kuantitatif dengan data sekunder sebagai data utama dan dianalisis secara deskriptif. Hasil penelitian ini utamanya diharapkan mampu melihat pola spasial industri dan klaster industri serta pergeserannya dalam 20 tahun terakhir, sehingga dapat dimanfaatkan oleh para akademisi, praktisi, pemerintah, swasta maupun masyarakat dalam mengembangankan industri.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,005 | 0,003 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».