Implementasi Geographically Weighted Regression (GWR) pada Determinasi Faktor Produksi Beras di Indonesia Tahun 2021
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.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».