<b>Pengaruh Tingkat Pendidikan Terhadap Kemiskinan di Kabupaten Bangka Tengah</b>
Bibliographic record
Abstract
Provinsi Kepulauan Bangka Belitung, angka kemiskinan relatif rendah yaitu sebesar 69,95 ribu jiwa atau 4,55% pada Maret 2024, namun masih terdapat disparitas antarwilayah. Sedangkan Kabupaten Bangka Tengah, tercatat sebagai daerah dengan jumlah penduduk miskin terbanyak kedua yaitu sebesar 12,04 ribu jiwa setelah Kabupaten Bangka. Persentase penduduk miskin di Bangka Tengah pada tahun 2023 naik yang menjadi tantangan yang serius dalam mengatasi permasalahan kemiskinan di Bangka Tengah. Namun, capaian pembangunan bidang Pendidikan di Kabupaten Bangka Tengah sendiri masih belum optimal. Sebagian besar masyarakat belum menyelesaikan Pendidikan Menengah, sehingga kualitas tenaga kerjanya masih tergolong rendah. Kondisi ini dapat berdampak terhadap rendahnya kualitas sumber daya manusia, keterbatasan kemampuan dalam pekerjaan yang layak, dan rendahnya produktivitas tenaga kerja, serta peningkatan pendapatan masyarakat yang memperbesar kesenjangan kesejahteraan antar wilayah. Untuk menganalisis pengaruh lama sekolah terhadap tingkat kemiskinan, maka dilakukan uji regresi linear sederhana dengan menggunakan model summary dan anova yang menunjukkan bahwa rata-rata lama sekolah tidak memiliki pengaruh yang berarti terhadap tingkat kemiskinan di Kabupaten Bangka Tengah.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.059 | 0.019 |
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".