EFESIENSI TEKNIS USAHATANI KOPI ROBUSTA DI KABUPATEN LIMA PULUH KOTA PROVINSI SUMATERA BARAT
Notice bibliographique
Résumé
Kabupaten Lima Puluh Kota merupakan salah satu daerah yang mempunyai potensi dalam pengembangan tanaman kopi Robusta. Faktor produksi yang tersedia belum dapat menjamin tingginya produktivitas. Tujuan penelitian ini adalah menganalisis faktor-faktor yang mempengaruhi produktivitas kopi Robusta, menganalisis tingkat efisiensi teknis usahatani kopi Robusta dan menganalisis faktor-faktor yang mempengaruhi efisiensi teknis usahatani kopi Robusta di Kabupaten Lima Puluh Kota. Metode yang digunakan dalam penelitian ini adalah metode survei pada 60 orang sampel melalui pengambilan sampel secara acak sederhana. Analisis data menggunakan fungsi produksi stochastic frontier Cobb-Douglas. Hasil penelitian menunjukkan Faktor-faktor yang berpengaruh secara signifikan terhadap produktivitas kopi Robusta di Kabupaten Lima Puluh Kota adalah umur tanaman dan jumlah pohon. Faktor umur tanaman dan jumlah pohon berdampak positif terhadap produktivitas kopi. Tingkat efisiensi teknis usahatani kopi di Kabupaten Lima Puluh Kota mulai dari 0,54 sampai 0,99 dengan rata-rata tingkat efisiensi teknis adalah 0,83. Artinya petani sudah efisien secara teknis namun masih bisa meningkatkan produktivitas kopi.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 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 ».