Penilaian Daya Tarik Obyek Wisata Studi Kasus: 20 Obyek Wisata di Ponorogo, Indonesia
Notice bibliographique
Résumé
Artikel ini bertujuan untuk menilai daya tarik obyek wisata dan mengungkap manfaat-manfaat yang didapatkan dari penilaian daya tarik wisata. Riset yang dilaporkan melalui artikel ini mengambil contoh kasus 20 obyek wisata yang ada di Kabupaten Ponorogo. Metode yang digunakan adalah analisis multikriteria dengan penilaian sederhana biner. Terdapat 4 komponen daya tarik yang digunakan meliputi Atraksi, Aksesibilitas, Amenitas, dan Penyokong. Keempat komponen tersebut diturunkan ke dalam 12 atribut meliputi: (1) Rating atraksi; (2) Jarak dari pusat kota; (3) Kondisi jalan; (4) Transportasi umum; (5) Tempat parkir; (6) Akomodasi terdekat; (7) Tempat ibadah; (8) Warung makan / restoran; (9) Toilet; (10) Informasi / ulasan; (11) Penunjuk / penanda; (12) Peta. Hasil riset menunjukkan bahwa dari 20 obyek wisata yang diteliti, 10 obyek wisata masih masuk dalam kategori dengan daya tarik agak rendah, rendah, dan sangat rendah. Sisanya masuk dalam kategori daya tarik sedang, agak tinggi, tinggi, dan sangat tinggi. Selanjutnya, manfaat dari penilaian daya tarik tersebut antara lain: berhasil mengidentifikasi peringkat dan kategori daya tarik obyek sebagai dasar perumusan prioritas pengembangan serta mengidentifikasi kelemahan masing-masing atribut dari setiap obyek wisata yang dapat digunakan sebagai dasar perumusan program dan kegiatan yang tepat sasaran dan tepat guna.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,051 | 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 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 ».