{
  "data": {
    "schema_version": "1.0",
    "id": "cand-spatial-ipm-bottleneck",
    "title": "Pemodelan Spasial & Analisis Hambatan Kritis (Bottleneck) IPM 514 Kabupaten/Kota",
    "topic_id": "topic-human-capital-development",
    "provenance": {
      "acquisition_method": "bps_mcp",
      "source_type": "bps_mcp",
      "source_name": "BPS Indeks Pembangunan Manusia 514 Kab/Kota",
      "retrieved_at": "2026-03-05",
      "query_or_tool": "BPS MCP WebAPI Dimensi IPM (UHH, RLS, Pengeluaran Riil)",
      "verification_status": "verified"
    },
    "status": "shortlisted",
    "problem_statement": "Peningkatan Indeks Pembangunan Manusia di tingkat kabupaten/kota sering terhambat oleh disparitas spasial dan ketidaktahuan pemda mengenai faktor pembatas utama (apakah kesehatan/UHH, lama sekolah, atau daya beli riil).",
    "signal_ids": [
      "sig-ipm-district-gap"
    ],
    "potential_dataset_ids": [
      "ds-bps-human-development-district-panel"
    ],
    "potential_target": "Indeks Pembangunan Manusia / IPM (Var ID 7) atau Klasifikasi Status IPM (Sangat Tinggi, Tinggi, Sedang, Rendah)",
    "potential_features": [
      "Angka Harapan Hidup saat Lahir / UHH (Var ID 3)",
      "Rata-Rata Lama Sekolah / RLS (Var ID 5)",
      "Harapan Lama Sekolah / HLS (Var ID 4)",
      "Pengeluaran Riil per Kapita Disesuaikan (Var ID 6)"
    ],
    "scores": {
      "relevance": 0.9,
      "data_evidence": 0.95,
      "impact": 0.9,
      "data_quality": 0.9,
      "temporal_spatial_coverage": 0.95,
      "coverage": 0.95,
      "ml_potential": 0.85,
      "novelty": 0.75,
      "feasibility": 0.9
    },
    "confidence": "high",
    "limitations": [
      "IPM adalah indeks komposit matematis sehingga pemodelan ML harus diarahkan pada analisis kontribusi spasial (Spatial Lag / GWR / SHAP) atau imputasi estimasi area kecil (SAE)"
    ],
    "leakage_risks": [
      "Komponen penyusun IPM memiliki korelasi mekanis langsung dengan angka IPM sehingga analisis harus fokus pada dekomposisi bottleneck dan spasial spillover"
    ],
    "decision": "shortlisted",
    "decision_reason": "Ukuran sampel sangat besar (7.710 observasi panel = 514 daerah × 15 tahun), menjadikannya dataset paling komprehensif untuk analisis spasial di Indonesia.",
    "project_slug": null
  },
  "meta": {
    "id": "cand-spatial-ipm-bottleneck",
    "timestamp": "2026-09-30T08:06:09.690Z"
  },
  "errors": []
}