Hubungan Tingkat Kesejahteraan Masyarakat terhadap Jumlah Pekerja Migran Indonesia di Kab./Kota Tahun 2015-2019
Notice bibliographique
Résumé
Penelitian ini bertujuan menganalisis pengaruh tingkat kesejahteraan terhadap jumlah pekerja migran di kabupaten dan kota pada tahun 2015-2019. Dari variabel yang diukur dalam penelitian ini dengan regresi Random Effect Model (REM) ditemukan fakta bahwa variabel yang memiliki tingkat elastisitas tinggi adalah jumlah pekerja migran Indonesia (PMI) pada tahun sebelumnya, dan jumlah PMI pada 2 tahun sebelumnya, serta luas wilayah, dan jumlah populasi. Variabel dalam penelitian ini antara lain: tingkat kesejahteraan masyarakat yang diukur melalui tingkat kemiskinan, indikator pendidikan dan PDRB per kapita dengan variabel kontrol jumlah penduduk, luas wilayah (daratan dan lautan), Jawa-luar Jawa, dan kabupaten/kota. Dari simpulan penelitian, Pemerintah setidaknya memiliki 2 (dua) pilihan kebijakan, pertama,apabila Pemerintah memandang bahwa pengiriman pekerja migran merupakan manifestasi ketidaksejahteraan/kemiskinan daerah kab./kota, maka Pemerintah harus mengeluarkan kebijakan yang memfokuskan pada program-program penanggulangan kemiskinan di daerah kantong PMI melalui program padat karya, meningkatkan PDRB per kapita dan Harapan Lama Sekolah (HLS), terutama di daerah kabupaten yang memiliki populasi tinggi, terutama di Jawa, dan memiliki luas wilayah yang tidak besar, dan kebijakan yang akan diambil pemerintah sekurang-kurangnya dimulai dari 2 tahun sebelumnya. Kedua, apabila pemerintah melihat pengiriman pekerja migran sebagai aset yang harus dihandel Pemerintah, fokus kebijakan pemerintah dipusatkan pada daerah terutama kabupaten yang memiliki tingkat kemiskinan tinggi, dengan HLS yang rendah, populasi tinggi, di Jawa, dengan luas wilayah yang sempit.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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.
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 ».