KEBIJAKAN PEMINDAHAN IBU KOTA NEGARA INDONESIA KE PROVINSI KALIMANTAN TIMUR DENGAN PENDEKATAN SWOT ANALYSIS (Studi pada Instansi Pemerintah Indonesia)
Notice bibliographique
Résumé
Pemindahan Ibu Kota Negara Indonesia ke Provinsi Kalimantan Timur telah menjadi isu hangat dalam beberapa tahun terakhir, yang pada tanggal 15 Februari 2022 keputusan tersebut akhirnya disahkan dengan Undang-Undang Nomor 3 Tahun 2022 tentang Ibu Kota Negara. Penelitian ini dilakukan untuk menganalisis kebijakan pemindahan ibu kota negara, dengan studi pada instansi pemerintah Indonesia menggunakan analisis SWOT. Penelitian ini menggunakan pendekatan kuantitatif, dengan teknik pengambilan data menggunakan kuesioner kepada 60 orang responden melalui metode random sampling. Analisis SWOT dilakukan dengan matriks IFAS (Internal Factor Strategic) yang menjabarkan faktor kekuatan dan juga faktor kelemahan, serta matriks EFAS (External Factor Strategic) yang menjabarkan faktor peluang dan faktor ancaman. Hasilnya menunjukan bahwa bobot skor dimensi kekuatan sebesar 1,69, bobot skor dimensi kelemahan sebesar 2,02, kemudian untuk bobot skor dimensi peluang 1,92, dan bobot skor dimensi ancaman sebesar 1,59. Nilai total skor rata-rata pada matriks IFAS adalah 3,71 dan nilai total skor rata-rata pada matriks EFAS adalah 3,51. Berdasarkan hasil tersebut terlihat bahwa faktor kelemahan dan juga faktor peluang masih lebih besar dibandingkan dengan faktor kekuatan dan fakor ancamannya.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 ».