MétaCan
Menu
Retour à la cohorte
Enregistrement W4381431451 · doi:10.32528/elkom.v5i1.8281

Studi Pengaruh Covid-19 Pada Berbagai Sektor Pengguna Tenaga Listrik di Bangka Belitung

2023· article· en· W4381431451 sur OpenAlexaboutno aff
Fajar Ramadani, Asmar Asmar, Rika Favoria Gusa, Wahri Sunanda

Notice bibliographique

RevueJurnal Teknik Elektro dan Komputasi (ELKOM) · 2023
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueCOVID-19 Prevention and Impact
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésFellQuarter (Canadian coin)Secondary sector of the economyConsumption (sociology)Government (linguistics)BusinessPrivate sectorElectricityPublic sectorTest (biology)Agricultural economicsEconomicsEngineeringEconomyEconomic growthGeographyCartography

Résumé

récupéré en direct d'OpenAlex

Electricity in Indonesia, especially in the Bangka Belitung Islands, has been affected by the COVID-19 pandemic. The effect occurred at the beginning of the pandemic in the second quarter of 2020, namely the household sector rose to 3.3%, the social sector fell -3.1%, the industrial sector rose to 15%, business fell -9.8%, the office sector government buildings rose 3%, and the public/other street lighting sector fell -47%. By using statistical tests on the classical assumption test all sectors are normally distributed. In the partial test using multiple linear regression test for the household sector, industry, and government office buildings, only connected power affects energy consumption, namely 70.5%, 97.7%, and 37.4%. In the social and business sectors, there is an effect of connected power and tariff prices on energy consumption, namely 92% and -13%, while business is 42% and 10%, respectively. By using the simultaneous test, the household sector has an effect of 68.2%, the social sector is 75.5%, the industrial sector is 97.5%, the business sector is 44.2% and government buildings are 32.5%.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,005
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,170
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,005
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,003
Études des sciences et des technologies0,0030,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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 Opus0,070
Tête enseignante GPT0,395
Écart entre enseignants0,325 · 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 tête enseignante, pas un consensus.

Devis d'étudeSans objet
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

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJurnal Teknik Elektro dan Komputasi (ELKOM)Même sujetCOVID-19 Prevention and ImpactTravaux en français237 207