Evaluasi klasterisasi pengembangan wilayah dalam muatan kebijakan RPJMD Provinsi Jawa Timur Tahun 2019-2024 berbasis Multi-Criteria Analysis (MCA)
Bibliographic record
Abstract
<p dir="ltr"><span>Eksistensi klasterisasi wilayah berperan penting dalam mendorong kinerja pembangunan, aglomerasi ekonomi, dan </span><span>trickle-down effect</span><span> antarwilayah. Dalam RPJMD Provinsi Jawa Timur ditetapkan delapan klaster pembangunan sebagai stimulus akselerasi pembangunan dan koordinasi wilayah. Namun, implementasinya belum memberikan kontribusi signifikan terhadap pemerataan pembangunan. Struktur pembangunan yang monosentris dan pertumbuhan sektoral yang tidak merata menjadi faktor utama belum tercapainya tujuan pembentukan klaster. Penelitian ini bertujuan mengevaluasi kinerja dan rasionalitas pembentukan klaster pembangunan RPJMD pada akhir masa implementasinya. Evaluasi dilakukan melalui pendekatan sektor unggulan, pertumbuhan sektoral, dan karakteristik spasial. Analisis LQ, Tipologi Klassen, dan LISA dikompilasi melalui Multi-Criteria Analysis (MCA) untuk menilai kinerja klaster secara komprehensif. Hasil analisis menunjukkan kinerja klaster berdasarkan sektor unggulan lebih baik dibandingkan pertumbuhan sektoral dan kecenderungan spasial, mengindikasikan kabupaten/kota di Jawa Timur beraglomerasi terutama pada sektor unggulannya. Analisis MCA mengungkap ketimpangan kinerja antar klaster; tidak ada satu pun klaster yang mencapai 50% kinerja, dan beberapa berada di bawah rata-rata. Secara keseluruhan, pembentukan klaster belum signifikan dalam menstimulasi pertumbuhan dan mengatasi ketimpangan antarwilayah di Jawa Timur.</span></p>
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.004 | 0.002 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.001 | 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; both teacher heads agree on what is shown here.
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".