Determinan Tingkat Kemiskinan Kabupaten/Kota Di Provinsi Jawa Timur Tahun 2017-2019 Menggunakan Spatial Error Model dengan pendekatan Fixed Effect
Bibliographic record
Abstract
Pada tahun 2019 terjadi pengelompokan tingkat kemiskinan kabupaten/kota di Jawa Timur. Tingkat kemiskinan yang tinggi berada di wilayah utara, sementara wilayah bagian tengah hingga bagian selatan Jawa Timur sudah memiliki tingkat kemiskinan yang tergolong rendah. Hal ini mengindikasikan tingkat kemiskinan kabupaten/kota di Jawa Timur memiliki keterkaitan spasial antarwilayah. Pola keterkaitan spasial ini juga terlihat di tahun 2017 dan 2018. Maka dari itu, penelitian ini bertujuan mengidentifikasi keterkaitan spasial tingkat kemiskinan kabupetan/kota di Jawa Timur dan variabel-variabel yang memengaruhi tingkat kemiskinan tersebut dari tahun 2017 sampai 2019. Model yang diterapkan adalah SEM dengan pendekatan FEM. Penelitian ini mencakup seluruh wilayah di Jawa Timur. Variabel dependen dari penelitian ini merupakan tingkat kemiskinan. Variabel yang diduga memengaruhi tingkat kemiskinan adalah pertumbuhan ekonomi, IPM, dan jumlah penduduk. Data keseluruhan variabel dikutip dari BPS. Periode penelitian ini dari tahun 2017 sampai 2019. Periode penelitian ini dipilih dengan pertimbangan ketersediaan data untuk berbagai variabel yang diperlukan. Dari model terbaik diperoleh pertumbuhan ekonomi, IPM, dan jumlah penduduk berpengaruh signifikan dalam penurunan tingkat kemiskinab. Selain faktor tersebut ada faktor lain yang dapat memengaruhi tingkat kemiskinan yang berada pada wilayah yang dianggap bertetanggaan.
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.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.022 | 0.004 |
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 itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".