ARAHAN DAN STRATEGI PENGEMBANGAN LAHAN SAWAH DI WILAYAH PESISIR PROVINSI KALIMANTAN BARAT
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Wilayah Pengembangan (WP) Pesisir merupakan sentra produksi beras bahkan penyuplai untuk tiga WP lainnya di Provinsi Kalimantan Barat. Pada tahun 2015, penduduk di WP Pesisir diperkirakan 2.29 juta jiwa. Bila terjadi konversi lahan basah 30,000 ha tahun-1 dan tanpa penambahan luas lahan baku sawah, ada indikasi berkurangnya suplai beras diluar WP Pesisir dan tahun 2016 bahkan mengalami defisit beras. Oleh karena itu, diperlukan arahan yang komprehensif dan strategi untuk pengembangan sawah sawah. Penelitian ini bertujuan untuk: (1) mengidentifikasi lahan potensial, (2) menentukan keunggulan komparatif dan kompetitif, (3) menentukan tipologi lahan dan klaster, dan (4) menyusun arah secara spasial dan strategi untuk pengembangan sawah lahan basah di WP Pesisir. Hasil analisis spasial diperoleh luasan lahan potensial 411,950 ha untuk pengembangan padi sawah dari 5,664,580 ha luas total WP Pesisir. Berdasarkan analisis LQ dan SSA ada lima dari tujuh kabupaten/kota sebagai wilayah basis pertanian padi, sedangkan analisis tipologi membentuk tiga klaster wilayah. Keseluruhan hasil analisis menunjukkan bahwa Kabupaten Sambas dan Kabupaten Kubu Raya adalah Kabupaten yang paling besar luas lahan potensialnya disusul oleh Kota, merupakan wilayah basis unggulan dan aktivitas pertaniannya yang sudah berkembang sehingga paling diprioritaskan untuk pengembangan kawasan padi sawah.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.002 | 0.000 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it