Analisis Pengurangan Emisi CO2 Melalui Manajemen Penggunaan Listrik dan Ketersediaan Ruang Terbuka Hijau di Gedung Perkantoran Pemerintah Kota Surabaya
Notice bibliographique
Résumé
Penggunaan listrik pada aktivitas dalam gedung dapat menyumbang emisi gas rumah kaca khususnya CO2. Pada penelitian ini dikaji pengurangan emisi CO2 melalui manajemen penggunaan listrik dan ketersediaan ruang terbuka hijau (RTH) di Gedung Jimerto Pemerintah Kota Surabaya. Sampling penggunaan listrik dilakukan dengan mengukur penerangan indoor, penggunaan AC, dan komputer pada ruang yang sama. Metode BEE Code of Lighting digunakan untuk pengukuran penerangan, sedangkan metode observasi langsung dilakukan untuk manajemen penggunaan listrik dan RTH eksisting. Emisi CO2 dari penggunaan daya listrik dihitung dengan faktor emisi sesuai dengan ketentuan Surat Kementrian ESDM Dirjen Ketenagalistrikan Nomor 1281/05/600.4/2012. Hasil penelitian menunjukkan bahwa emisi yang dihasilkan sebesar 1.966,266 ton CO2/tahun. Pengurangan emisi dengan manajemen penggunaan listrik eksisting diperkirakan dapat mengurangi emisi sebesar 31,302 ton CO2/tahun. Apabila dilakukan penggantian peralatan listrik pengurangan emisinya menjadi 251,271 ton CO2/tahun. Sedangkan RTH yang dibutuhkan untuk memenuhi ketentuan minimal adalah sebesar 325,3 m2 dan ini sebanding dengan penyerapan CO2 sebesar 1,789 ton CO2/tahun.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».