ANALISIS POPULASI PENDUDUK DAN TINGKAT PENDIDIKAN DI KABUPATEN ACEH JAYA DENGAN METODE CLUSTER PAUTAN TUNGGAL
Notice bibliographique
Résumé
Penelitian ini bertujuan untuk mengetahui heterogenitas populasi penduduk dan tingkat pendidikan di Kabupaten Aceh Jaya tahun 2020. Data yang digunakan adalah data sekunder hasil dari Sensus Penduduk yang dilakukan oleh Badan Pusat Statistik (BPS). Variabel yang diamati dalam penelitian ini adalah 1) variabel penjelas (X), terdiri atas: (1) populasi penduduk (X1), berupa data jumlah penduduk, jumlah laki-laki, jumlah perempuan dan jumlah kepala rumah tangga (RT); (2) tingkat pendidikan (X2), berupa data jumlah belum tamat SD, tamat SD, tamat SMP, tamat SMA, tamat SMK, tamat D1, tamat D3, tamat D4/S1, dan jumlah tamat S2/S3; serta 2) variabel respon (Y), merupakan kecamatan yang terdapat di Kabupaten Aceh Jaya, terdiri dari Teunom, Panga, Krueng Sabee, Setia Bakti, Sampoiniet dan Jaya. Untuk menganalisis kasus tersebut, digunakan analisis cluster pautan tunggal, yaitu mengelompokkan setiap obyek pengamatan dalam satu kelompok yang terdiri dari satu anggota. Lalu, menghitung nilai jarak antarobyek dengan metode pautan tunggal. Hasil yang diperoleh menunjukkan bahwa keheterogenan populasi penduduk di Kabupaten Aceh Jaya yang paling besar di Kecamatan Panga dan Jaya dengan jarak 15723,364. Sedangkan pada tingkat pendidikan, Kecamatan Panga dan Jaya terjadi keheterogenan karakteristiknya dengan jarak 9019,637. Hal ini berarti populasi penduduk dan tingkat pendidikan pada Kecamatan Jaya dan Panga memiliki perbedaan karaktristik yang sangat besar.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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 ».