EVALUASI CAPAIAN INDEKS KEPUASAN LAYANAN INFRASTRUKTUR
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Indeks Kepuasan Layanan Infrastruktur (IKLI) merupakan ukuran yang digunakan untuk mengetahui tingkat kepuasan masyarakat atas pembangunan infrastruktur oleh Pemerintah Pusat dan Pemerintah Daerah, yang dalam hal ini adalah Pemerintah Kota Malang. IKLI yang menjadi suatu alat yang menghasilkan gambaran mengetahui perspektif masyarakat secara obyektif, komprehensif dan kredibel, baik dalam aspek pembangunan fisik maupun aspek manfaat. Berdasarkan pendekatan teori sistem, batasan kriteria efektif dalam pengukuran pembangunan tiap jenis infrastruktur yakni: ketersediaan fisik, kualitas fisik, kesesuaian, pemanfaatan dan penyerapan tenaga kerja, pemanfaatan dan kontribusi terhadap perekonomian. Tujuan Penyusunan IKLI Kota Malang secara obyektif adalah untuk mengetahui persepsi masyarakat terhadap kinerja pelayanan infrastruktur, meliputi beberapa atribut yang langsung dirasakan oleh masyarakat, yang bermuara pada tingkat kepuasan atas pelayanan infrastruktur di Kota Malang. Populasi dalam penelitian ini sebanyak 690 responden, yang disebarkan ke 57 kelurahan dengan diwakilkan oleh 1 RW dari masing-masing kelurahan. Metode analisa yang digunakan untuk menghitunh indeks kepuasan layanan infrastruktur menggunakan Pengukuran Skala Likert, metode analisa maupun interpretasi hasil analisa beracuan pada Peraturan Menteri Pendayagunaan Aparatur Negara Dan Reformasi Birokrasi Republik Indonesia Nomor 14 Tahun 2017. Dari hasil pengukuran Indeks Kepuasan Layanan Infrastruktur Kota Malang pada tahun 2019 diperoleh nilai 4,14, yang berarti IKLI Kota Malang pada tahun 2019 berada pada rentang kategori puas.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,010 |
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 découle