ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI DAYA BELI MASYARAKAT TERHADAP PERUMAHAN
Notice bibliographique
Résumé
Perumahan dan pemukiman yang layak huni merupakan hak bagi seluruh masyarakat Indonesia. Pemerintah melalui Direktorat Jendral Penyediaan Perumahan Kementerian PUPR mendukung hal tersebut dengan menyediakan rumah bersubsidi bagi masyarakat berpenghasilan rendah (MBR). Melalui program tersebut, pemerintah berharap dapat mengurangi jumlah perumahan dan pemukiman kumuh yang tersebar di wilayah Indonesia khususnya di daerah perkotaan. Dalam penyediaannya, pemerintah harus memperhatikan faktor-faktor yang mempengaruhi dalam pemilihan perumahan bagi masyarakat agar pembangunan perumahan bersifat berkelanjutan. Hal ini ditujukan agar daya beli masayarakat khusunya masyarakat berpenghasilan rendah (MBR) meningkat. Berdasarkan data-data sekunder dari beberapa jurnal, faktor-faktor dominan yang mempengaruhi adalah harga, lokasi serta fasilitas. Dari ketiga faktor tersebut, harga merupakan faktor utama dalam pemilihan perumahan bagi masyarakat. Dalam penelitian ini dilakukan pendekatan kualitatif dan pendekatan kuantitatif. Penelitian dilakukan untuk mengetahui pengaruh lokasi dan fasilitas terhadap harga perumahan. Analisis regresi berganda mendapatkan persamaan Y = 0,154 + 0,385 X1 + 0,418 X2. Persamaan tersebut menghasilkan variabel dominan yang pertama adalah fasilitas kemudian diikuti dengan lokasi perumahan, dengan besarnya kontribusi variasi perubahan kedua variable bebas terhadap harga sebesar 98,5%.
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 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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».