Penentuan Faktor Prioritas Yang Mempengaruhi Keberhasilan Pengembangan Kawasan Industri Nganjuk (KING) Di Kabupaten Nganjuk
Notice bibliographique
Résumé
Pemerintah sedang merancang strategi untuk memulihkan ekonomi pasca-pandemi, dengan fokus pada proyek Kawasan Industri Nganjuk (KING) di Jawa Timur untuk mendorong ekonomi lokal. Proses pengembangan KING melibatkan tantangan kompleks seperti perencanaan infrastruktur, manajemen sumber daya manusia, dan adaptasi terhadap perubahan pasar. Penelitian ini bertujuan mengidentifikasi faktor-faktor yang mempengaruhi keberhasilan pengembangan KING di Nganjuk melalui dua tahapan analisis. Pertama, menggunakan analisis Delphi untuk menentukan variabel dan faktor yang mempengaruhi keberhasilan berdasarkan studi literatur. Kedua, menentukan faktor prioritas dengan analisis Importance Performance Analysis (IPA) menggunakan hasil dari analisis Delphi. Dari 37 kriteria yang terbagi menjadi 15 variabel, analisis IPA mengidentifikasi faktor prioritas, yaitu; luas lahan, penentuan zonasi, jaringan transportasi, kebutuhan air dan pengelolaan limbah, keamanan infrastruktur, kualitas udara dan air, pengelolaan limbah lingkungan, sumber energi terbarukan, integrasi teknologi baru, serta pemanfaatan Internet of Things (IoT).
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 | 0,015 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,003 |
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 ».