IDENTIFIKASI LAHAN TERSEDIA DENGAN TEKNOLOGI INFORMASI SPASIAL UNTUK MENDUKUNG REFORMA AGRARIA: STUDI KASUS PROVINSI RIAU DAN JAWA BARAT
Notice bibliographique
Résumé
Pemerintah khususnya Badan Pertanahan Nasional meluncurkan program pemerintah yang dinamai dengan Reforma Agraria Plus. Program reforma agraria tersebut mempertimbangkan berbagai kriteria lahan antara lain kualitas dan ketersediaan lahan, variabel akses pasar untuk pemanfaatan lahan yang optimum. Salah satu bentuk reforma agraria plus adalah program redistribusi lahan. Percepatan redistribusi lahan dapat dilakukan jika proses identifikasi lahan tersedia memanfaatkan teknologi informasi spasial untuk efisiensi waktu dan cakupan area. Penelitian ini bertujuan untuk menguji pilihan variabel penting untuk mengidentifikasi lahan tersedia untuk alokasi program reforma agraria. Penelitian dilakukan di Provinsi Riau dan Jawa Barat. Identifikasi lahan tersedia diawali dengan penyusunan database. Selanjutnya berdasarkan kriteria status kawasan, kesesuaian fisik, status penguasaan, dan penutupan lahan, luas lahan ditapis dengan metode evaluasi kriteria jamak dan dua alternatif. Alternatif-1 adalah kriteria ideal yaitu tingkat kesesuaian minimum S3, bukan lahan HGU, penggunaan untuk pertanian dan bukan kawasan lindung serta dekat jalan; dan alternatif-2 sama dengan alternatif-1 kecuali penguasaan HGU dalam waktu dekat (< 5 tahun) habis. Luas lahan yang diperoleh didistribusikan ke masyarakat petani/nelayan berlahan sempit. Hasil penelitian menunjukan penerapan kombinasi variabel terpilih yang berbeda dalam proses filter menghasilkan luasan berbeda. Hasil identifikasi luas lahan tersedia untuk alokasi program reforma agraria di Jawa Barat dan Riau menunjukkan bahwa kebutuhan hidup minimum masyarakat kedua lokasi berbeda. Perbedaan standar kebutuhan hidup minimum dan struktur harga serta tingkat kesuburan wilayah berimplikasi pada perbedaan luas lahan minimum bagi petani. Petani di Jawa Barat membutuhkan lahan lebih kecil untuk memenuhi kebutuhan hidup dibandingkan petani di Riau. Lahan tersedia di Riau menyebar di seluruh kabupaten/kota, sedangkan di Jawa Barat beberapa kabupaten tidak terdapat lahan tersedia untuk alokasi khususnya di wilayah Kabupaten Bekasi, Cirebon, Indramayu, dan kota Depok.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».