MétaCan
Menu
Retour à la cohorte
Enregistrement W4402221045 · doi:10.36985/43aevk56

Pengaruh Program Water Resources And Irrigation Sector Management Project (WISMP) Terhadap Produktivitas Padi Sawah Di Kecamatan Siantar Kabupaten Simalungun

2019· article· id· W4402221045 sur OpenAlexaff
Rianti Fela, Marihot Manullang, Robert Tua Siregar, Sarintan E Damanik

Notice bibliographique

RevueJurnal Regional Planning · 2019
Typearticle
Langueid
DomaineAgricultural and Biological Sciences
ThématiqueFisheries and Aquaculture Studies
Établissements canadiensEncana (Canada)
Organismes subventionnairesnon disponible
Mots-clésAgricultural scienceIrrigationBusinessWater resource managementEnvironmental scienceAgronomyBiology

Résumé

récupéré en direct d'OpenAlex

Penelitian ini bertujuan untuk menganalisis perbedaan produktivitas padi sawah sebelum dan sesudah pelaksanaan Water Resources and Irrigation Sector and Management Project (WISMP) serta pengaruh Program WISMP terhadap produktivitas padi sawah di Kecamatan Siantar Kabupaten Simalungun. Berdasarkan jenis masalah yang diteliti, pendekatan yang digunakan adalah deskriptif kuantitatif. Hasil penelitian menunjukkan bahwa terdapat perbedaan antara rata-rata produktivitas pertanian antara sebelum dan setelah adanya Program WISMP di Kecamatan Siantar Kabupaten Simalungun. Hasil nilai t - hitung (-29,103) lebih kecil dari nilai t- tabel (0,679) pada taraf signifikansi 5%. Dari hasil tersebut maka dapat diketahui bahwa terdapat perbedaan nyata produktivitas pertanian padi sawah sebelum dan sesudah adanya Program WISMP di Kecamatan Siantar Kabupaten Simalungun. Hasil berikutnya adalah Program WISMP berpengaruh signifikan terhadap produktivitas padi sawah Kecamatan Siantar Kabupaten Simalungun. Hasil uji t menunjukkan nilai signifikansi variabel Program WISMP bernilai 0,001 dimana angka ini lebih kecil dari taraf signifikansi yang ditentukan 5%.

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)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,064

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0190,002

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.

Tête enseignante Opus0,028
Tête enseignante GPT0,247
Écart entre enseignants0,219 · 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'étudeObservationnel
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

Citations1
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJurnal Regional PlanningMême sujetFisheries and Aquaculture StudiesTravaux en français237 207