Resistance to Agricultural Commercialization with Lack of Marketing Digital Adoption in Indonesia's Dieng Plateau
Notice bibliographique
Résumé
Dieng Plateau is one of the largest vegetable-producing areas in Indonesia, and most of the inhabitants work as farmers.While shifting to commercial agriculture with marketing digital skill can improve farmers' lives, it faces obstacles that cause resistance.The barriers that arise from the commercialization of agriculture in Indonesia are that the scale of agricultural business is generally relatively small, capital is limited, and the use of technology is still simple.Agriculture in the Dieng plateau is seasonal and relies heavily on family labor, with limited access to credit, technology, and markets.Wholesalers and the lack of supply of quality seeds for farmers mainly dominate the market for agricultural products.So, this research explains the obstacles that cause farmers to resist commercialization.The observed barriers included five factors: barriers from factors of production and innovation, such as difficulty adopting digital marketing, lack of relative advantages, lack of compatibility, and complexity.This study tests a constraint model of commercial farming using five factors.The data was collected from 280 farmers who own their land and are not farm laborers.The sampling technique used was purposive sampling with the criteria of individuals having a livelihood as farmers, aged more than 18 years, and owning their land.Data collection uses a questionnaire that has a five-point Likert scale-data analysis technique using PLS-SEM.The results support the hypothesis, suggesting a robust barrier to the commercialization model.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».