Analisis Regresi Spasial Persentase Kemiskinan di Kawasan Timur Indonesia Tahun 2022
Notice bibliographique
Résumé
Kemiskinan merupakan masalah multidimensional yang terjadi di Indonesia. Kemiskinan erat hubungannya dengan tingkat ketahanan pangan di suatu daerah. Kawasan Timur Indonesia (KTI) menjadi perhatian karena tingginya tingkat persentase kemiskinan. Tujuan dari penelitian ini adalah melihat variabel penyusun ketahanan pangan yang berpengaruh signifikan terhadap persentase kemiskinan tingkat kabupaten/kota di Kawasan Timur Indonesia. Identifikasi heterogenitas spasial yang dilakukan menunjukkan penggunaan model Geographically Weighted Regression (GWR) lebih baik dibandingkan regresi linier berganda (RLB) untuk menunjukkan hubungan antara variabel penyusun ketahanan pangan terhadap persentase kemiskinan. Dihasilkan model GWR lokal untuk melihat heterogenitas spasial pada level kabupaten/kota dengan fokus variabel rasio konsumsi normatif perkapita (NCPR), persentase rumah tangga dengan proporsi pengeluaran untuk pangan lebih dari 65% terhadap pendapatan (PP), dan kombinasinya dengan variabel lain. Diperoleh bahwa tingkat kemiskinan pada level kabupaten/kota di Kawasan Timur Indonesia dipengaruhi oleh variabel penyusun ketahanan pangan yang berbeda-beda, terutama antara variabel PP dengan akses listrik dan angka harapan hidup.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».