Hubungan Tingkat Kesejahteraan Masyarakat terhadap Jumlah Pekerja Migran Indonesia di Kab./Kota Tahun 2015-2019
Bibliographic record
Abstract
Penelitian ini bertujuan menganalisis pengaruh tingkat kesejahteraan terhadap jumlah pekerja migran di kabupaten dan kota pada tahun 2015-2019. Dari variabel yang diukur dalam penelitian ini dengan regresi Random Effect Model (REM) ditemukan fakta bahwa variabel yang memiliki tingkat elastisitas tinggi adalah jumlah pekerja migran Indonesia (PMI) pada tahun sebelumnya, dan jumlah PMI pada 2 tahun sebelumnya, serta luas wilayah, dan jumlah populasi. Variabel dalam penelitian ini antara lain: tingkat kesejahteraan masyarakat yang diukur melalui tingkat kemiskinan, indikator pendidikan dan PDRB per kapita dengan variabel kontrol jumlah penduduk, luas wilayah (daratan dan lautan), Jawa-luar Jawa, dan kabupaten/kota. Dari simpulan penelitian, Pemerintah setidaknya memiliki 2 (dua) pilihan kebijakan, pertama,apabila Pemerintah memandang bahwa pengiriman pekerja migran merupakan manifestasi ketidaksejahteraan/kemiskinan daerah kab./kota, maka Pemerintah harus mengeluarkan kebijakan yang memfokuskan pada program-program penanggulangan kemiskinan di daerah kantong PMI melalui program padat karya, meningkatkan PDRB per kapita dan Harapan Lama Sekolah (HLS), terutama di daerah kabupaten yang memiliki populasi tinggi, terutama di Jawa, dan memiliki luas wilayah yang tidak besar, dan kebijakan yang akan diambil pemerintah sekurang-kurangnya dimulai dari 2 tahun sebelumnya. Kedua, apabila pemerintah melihat pengiriman pekerja migran sebagai aset yang harus dihandel Pemerintah, fokus kebijakan pemerintah dipusatkan pada daerah terutama kabupaten yang memiliki tingkat kemiskinan tinggi, dengan HLS yang rendah, populasi tinggi, di Jawa, dengan luas wilayah yang sempit.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.022 | 0.005 |
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".