Analisis Regresi Spasial pada Indeks Pembangunan Manusia di Provinsi Sumatera Utara Tahun 2020
Bibliographic record
Abstract
Indeks Pembangunan Manusia (IPM) di suatu daerah dipengaruhi oleh IPM di daerah sekitar yang berdekatan. Faktor yang mempengaruhi IPM dapat dianalisis melalui regresi linier klasik, tetapi apabila sudah memperhitungkan lokasi, pendekatan regresi spasial merupakan metode analisis yang lebih sesuai untuk digunakan. Tujuan penelitian ini adalah melakukan analisis regresi spasial pada pemodelan IPM Provinsi Sumatera Utara tahun 2020. Penelitian ini memberikan hasil bahwa model regresi spasial yang digunakan adalah model SAR. Nilai ρ yang positif menunjukkan bahwa peningkatan IPM dari wilayah yang mengelilingi suatu kabupaten/kota akan meningkatkan IPM di kabupaten/kota tersebut. Direct effect yang diperoleh adalah sebesar -0.5069455 sedangkan indirect effect adalah sebesar -0.313711. Persentase penduduk miskin memiliki pengaruh negatif yang signifikan yang artinya peningkatan persentase penduduk miskin akan menyebabkan penurunan IPM provinsi Sumatera Utara tahun 2020. Oleh karena itu, pemerintah disarankan dapat mengambil kebijakan yang tepat dari segi ekonomi khususnya dalam pengentasan kemiskinan sehingga dapat meningkatkan IPM di Provinsi Sumatera Utara.
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 | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.002 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 0.002 |
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".