Implementasi Geographically Weighted Regression (GWR) pada Determinasi Faktor Produksi Beras di Indonesia Tahun 2021
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Ketahanan pangan merupakan salah satu kewajiban negara dalam menjamin kebutuhan akan pangan yang layak dan terjangkau bagi masyarakat terutama kebutuhan beras. Namun, maraknya alih fungsi lahan dengan tidak meratanya produksi beras antarprovinsi menjadi tantangan bagi pemerintah untuk mencapai ketahanan pangan nasional. Memahami kondisi tersebut, penelitian ini bertujuan untuk menganalisis faktor-faktor yang memengaruhi produksi beras pada setiap provinsi di Indonesia tahun 2021. Untuk mencapai tujuan tersebut, teknik analisis yang digunakan adalah analisis deskriptif dan analisis inferensia dengan memanfaatkan metode Geographically Weighted Regression (GWR) dikarenakan keberadaan faktor spasial berupa provinsi dan terdapat heterogenitas spasial dari pemodelan global. Model GWR menunjukkan kinerja yang lebih baik dibandingkan model global untuk pemodelan pertumbuhan produksi beras di Indonesia. Hasil pemodelan menunjukkan terdapat enam kelompok wilayah berdasarkan variabel yang signifikan. Selain itu, tenaga kerja menjadi faktor utama dalam meningkatkan produksi beras di seluruh provinsi dan intesitas penggunaan pupuk perlu diperhatikan dalam mencapai ketahanan pangan di Indonesia.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle