IMPLEMENTASI KEBIJAKAN LAHAN PERTANIAN PANGAN BERKELANJUTAN
Notice bibliographique
Résumé
Implementasi kebijakan LP2B di Kabupaten Sleman perlu memperhatikan kesediaan pemilik lahan untuk mendukung implementasi LP2B sesuai dengan pedoman teknis penetapan LP2B. Kesediaan pemilik lahan ini dapat dipengaruhi oleh pemahaman mereka mengenai karakteristik wilayahnya. Penelitian ini bertujuan mengidentifikasi tingkat kesediaan pemilik lahan, mengidentifikasi pemahaman pemilik lahan mengenai karakteristik wilayah, dan melakukan analisis pengaruh faktor pemahaman pemilik lahan tentang karakteristik wilayah terhadap tingkat kesediaan pemilik lahan untuk mendukung implementasi kebijakan LP2B. Data kesediaan pemilik lahan diperoleh dari hasil lapangan menggunakan kuesioner dari 333 pemilik lahan. Berdasarkan hasil analisis regresi linier dengan metode stepwise diketahui sebanyak 93.39% memiliki kesediaan tinggi dan 6.61% memiliki kesediaan rendah. Faktor pemahaman mengenai karakteristik wilayah diketahui memiliki pengaruh terhadap tingkat kesediaan pemilik lahan dengan variabel pemahaman mengenai potensi lahan, masalah lahan, kebijakan LP2B, dan rencana pemanfaatan ruang dengan nilai nilai R 2 sebesar 0.438. Secara keseluruhan pemilik lahan bersedia mendukung implementasi LP2B dengan tidak mengubah lahan selama 1-10 tahun sebanyak 35 pemilik lahan dan selama 11 – 20 tahun sebanyak 298 pemilik lahan walaupun masih terdapat pemilik lahan yang sangat tidak paham dan tidak paham mengenai karakteristik wilayah.
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 | 0,004 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,050 | 0,018 |
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 ».