MétaCan
Menu
Retour à la cohorte
Enregistrement W4247465083 · doi:10.18280/ijsdp.160203

Land Suitability and Economic Performance in the Pasuruan Region for Coffee Development

2021· article· en· W4247465083 sur OpenAlexvenueno aff
Achmad Tjachja Nugraha, Gunawan Prayitno, Lailatul A. Khoiriyah

Notice bibliographique

RevueInternational Journal of Sustainable Development and Planning · 2021
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgricultural Development and Management
Établissements canadiensnon disponible
Organismes subventionnairesUniversitas Islam Negeri Syarif Hidayatullah Jakarta
Mots-clésCommodityBusinessAgricultureAgricultural economicsGovernment (linguistics)Economic analysisAgricultural scienceEconomicsGeographyFinanceEnvironmental science

Résumé

récupéré en direct d'OpenAlex

The identification of superior commodities is one of the initial stages of the development of the agro-policy area. This study aims to identify the leading agricultural commodities, land suitability, and the Pasuruan Regency's economic performance. Determination of superior commodities using Location Quotient (LQ) analysis, shift-share analysis, land suitability analysis, potency and problem analysis, and final analysis of district government policy. We found that coffee is the most widely produced plantation commodity in Pasuruan Regency. The shift-share analysis shows that coffee and tobacco grow faster than any other commodity. The land suitability analysis shows that coconut, coffee, cane, and tobacco could be planted in all Pasurua Regency areas. The Government should support coffee's economic performance in the provision of seed, training, organization of coffee events, and sale of coffee processing technology. However, several areas need to be addressed, including cooperative enterprises, agricultural terminals, and business certainty. Besides, cooperation with other industries is also needed to develop international markets.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil0,025

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,023
Tête enseignante GPT0,225
Écart entre enseignants0,202 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Sustainable Development and PlanningMême sujetAgricultural Development and ManagementTravaux en français237 207