Pengaruh Peningkatan Infrastruktur Jalan Terhadap Pendapatan Regional Di Kabupaten Batu Bara
Bibliographic record
Abstract
Tujuan penelitian adalah untuk menganalisis bagaimana keadaan infrastruktur jalan maupun pendapatan regional atau Produk Domestik Regional Bruto (PDRB) di Kabupaten Batu Bara dan menganalisis bagaimana pengaruh infrastruktur jalan terhadap pendapatan regional (PDRB) di Kabupaten Batu Bara. Penelitian ini dilakukan dengan menggunakan metode deskriptif dengan cara observasi (pengamatan) dan studi kepustakaan (literatur) dengan teknik analisa data yang digunakan adalah regresi sederhana dan melakukan pengujian hipotesis dengan alat bantu program SPSS versi 20. Hasil analisis menunjukkan bahwa peningkatan total panjang jalan memberikan pengaruh positif dan signifikan terhadap pendapatan regional (PDRB) begitu juga peningkatan kondisi jalan baik dan sedang memberikan pengaruh positif dan signifikan terhadap pendapatan regional (PDRB) di Kabupaten Batu Bara. Sebagai gambaran bahwa dengan penambahan panjang jalan 1 kilometer maka akan memberikan pengaruh berupa peningkatan PDRB sebesar Rp.42.865.000,00 sebagai hasil regresi total panjang jalan terhadap PDRB harga konstan dan penambahan panjang 1 kilometer memberikan pengaruh berupa peningkatan PDRB sebesar Rp.25.241.000,00 sebagai hasil regresi panjang jalan berdasarkan kondisi jalan baik dan sedang terhadap PDRB harga konstan. Berdasarkan hasil penelitian ini juga kita dapat melihat pentingnya perbaikan dan peningkatan jalan secara berkesinambungan, terarah dan terencana dengan baik demi mendorong aktivitas perekonomian untuk meningkatkan pendapatan masyarakat Batu Bara khususnya dan PDRB pada umumnya
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) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.027 | 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".