OFFICIAL STATISTICS UNTUK PEMODELAN INDEKS PENDIDIKAN MELALUI ANALISIS REGRESI DATA PANEL
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
Indonesia sebagai negara bekembang tengah banyak melakukan berbagai upaya pembangunan di berbagai sektor untuk menaikan indeks-indeks yang digunakan sebagai ukuran suatu negara maju. Bukan tanpa hasil, belakangan Indonesia dianggap sebagai salah satu negara yang memiliki perekonomian yang stabil di tengah kondisi ketidakpastian ekonomi secara global. Namun, ukuran suatu negara maju tidak hanya diukur melalui kondisi ekonomi, tetapi juga mencakup sektor kesehatan dan pendidikan. Hal ini yang kadang dipandang sebagai kondisi dilematis bagi pemerintah. Di satu sisi, pemerintah gencar dalam pemerataan pendapatan melalui pembangunan infrastruktur. Di sisi lain, hal-hal yang menyangkut kesejahteraan rakyat cenderung tidak menjadi prioritas. Misalkan di sektor pendidikan yang merupakan salah satu pilar pembangun negeri. Indeks pendidikan tertinggi diraih oleh provinsi DKI Jakarta sebagai ibukota negara. Sementara ketimpangan sangat terlihat untuk wilayah-wilayah lain, bahkan untuk wilayah-wilayah yang masih bertetangga dengan DKI Jakarta. Di Jawa Barat misalnya. Beberapa wilayah di Jawa Barat masih berdekatan dengan DKI Jakarta, seperti Bekasi, Depok, dan Bogor. Namun nyatanya indeks pendidikan di Jawa Barat masih tertinggal cukup jauh dengan DKI Jakarta. Untuk itu, studi ini bertujuan untuk membandingkan faktor-faktor yang memengaruhi indeks pendidikan di Jawa Barat yang dibagi ke dalam wilayah kota dan kabupaten menggunakan analisis regresi data panel. Peubah penjelas yang digunakan adalah indeks keparahan kemiskinan, jumlah penduduk miskin, laju pertumbuhan penduduk, dan angka harapan hidup masing-masing untuk tahun 2011 hingga 2018. Hasilnya menunjukkan model pengaruh tetap dengan efek waktu adalah model terbaik untuk menggambarkan indeks pendidikan di wilayah kota maupun kabupaten denga R2 masing-masing sebesar 93,2% dan 37,9%.
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 | 0.002 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.001 | 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