ANALISIS POPULASI PENDUDUK DAN TINGKAT PENDIDIKAN DI KABUPATEN ACEH JAYA DENGAN METODE CLUSTER PAUTAN TUNGGAL
Bibliographic record
Abstract
Penelitian ini bertujuan untuk mengetahui heterogenitas populasi penduduk dan tingkat pendidikan di Kabupaten Aceh Jaya tahun 2020. Data yang digunakan adalah data sekunder hasil dari Sensus Penduduk yang dilakukan oleh Badan Pusat Statistik (BPS). Variabel yang diamati dalam penelitian ini adalah 1) variabel penjelas (X), terdiri atas: (1) populasi penduduk (X1), berupa data jumlah penduduk, jumlah laki-laki, jumlah perempuan dan jumlah kepala rumah tangga (RT); (2) tingkat pendidikan (X2), berupa data jumlah belum tamat SD, tamat SD, tamat SMP, tamat SMA, tamat SMK, tamat D1, tamat D3, tamat D4/S1, dan jumlah tamat S2/S3; serta 2) variabel respon (Y), merupakan kecamatan yang terdapat di Kabupaten Aceh Jaya, terdiri dari Teunom, Panga, Krueng Sabee, Setia Bakti, Sampoiniet dan Jaya. Untuk menganalisis kasus tersebut, digunakan analisis cluster pautan tunggal, yaitu mengelompokkan setiap obyek pengamatan dalam satu kelompok yang terdiri dari satu anggota. Lalu, menghitung nilai jarak antarobyek dengan metode pautan tunggal. Hasil yang diperoleh menunjukkan bahwa keheterogenan populasi penduduk di Kabupaten Aceh Jaya yang paling besar di Kecamatan Panga dan Jaya dengan jarak 15723,364. Sedangkan pada tingkat pendidikan, Kecamatan Panga dan Jaya terjadi keheterogenan karakteristiknya dengan jarak 9019,637. Hal ini berarti populasi penduduk dan tingkat pendidikan pada Kecamatan Jaya dan Panga memiliki perbedaan karaktristik yang sangat besar.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
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".