MétaCan
Menu
Retour à la cohorte
Enregistrement W4389153828 · doi:10.18280/ijsdp.181124

SWOT Analysis of Strategy Development in Prominent Industries of Underdeveloped Regions: A Case Study of the Kepulauan Mentawai Regency, West Sumatra, Indonesia

2023· article· en· W4389153828 sur OpenAlexvenueno aff
Alpon Satrianto, Sri Ulfa Sentosa, Ariusni, Akmil Ikhsan, Khairunnisa Abd Samad

Notice bibliographique

RevueInternational Journal of Sustainable Development and Planning · 2023
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueStrategic Planning and Analysis
Établissements canadiensnon disponible
Organismes subventionnairesUniversitas Negeri Padang
Mots-clésSWOT analysisBusinessMarketing

Résumé

récupéré en direct d'OpenAlex

The purpose of this research is to determine the strategy and analyze the development of leading sectors in underdeveloped areas in West Sumatra.The data analysis method uses the Strengths, Weaknesses, Opportunities, and Threats (SWOT) Analysis technique.Determination of research informants using the snowball procedure.The key respondents to this study were the Head of Planning, Regional Development and Infrastructure of the Regional Planning, Research and Development Agency (Bappeda) of the Kepulauan Mentawai Regency because the person concerned had served at the Bappeda Kepulauan Mentawai Regency for quite a long time and knew a lot of information related to the construction sector.The results of the study found that factor mapping through the sum of internal and external factors, it is known that the government of the Kepulauan Mentawai Regency in the construction sector is in quadrant I (aggressive strategy).The strategy adopted is the S-O strategy, namely taking advantage of opportunities with existing strengths, including developing international scale marine tourism resorts, developing landing facilities and processing sand sea fisheries.Kepulauan Mentawai Regency needs to apply the findings of the SWOT analysis, especially the S-O strategy, which is to take advantage of opportunities with existing strengths.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,029
Score d'incertitude au seuil0,058

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,004
Études des sciences et des technologies0,0020,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,051
Tête enseignante GPT0,288
Écart entre enseignants0,237 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
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

Citations2
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Sustainable Development and PlanningMême sujetStrategic Planning and AnalysisTravaux en français237 207