Analisis Faktor-Faktor Yang Berpengaruh Dalam Pemilihan Lokasi Relokasi Pedagang Kaki Lima di Kawasan Pasar Pagi, Kota Samarinda
Notice bibliographique
Résumé
Sesuai dengan program prioritas RPJMD Kota Samarinda tahun 2016-2021 dalam penataan Pedagang Kaki Lima di kawasan perdagangan dan jasa, bentuk usaha yang sudah diterpakan dalam upaya penataan Pedagang Kaki Lima di kawasan Pasar Pagi dengan melakukan penertiban dan penggusuran. Namun yang menjadi permasalahan adalah karena Pedagang Kaki Lima yang telah digusur terus kembali pada lokasi yang sama untuk berdagang. Sehingga sebagai salah satu langkah awal dalam penataan maka perlu adanya identifikasi karakteristik PKL serta analisis faktor-faktor yang berpengaruh dalam pemilihan lokasi untuk relokasi bagi Pedagang Kaki Lima di kawasan Pasar Pagi. Metode yang digunakan adalah statistik deskrptif dan analisis Delphi. Hasil menunjukkan bahwa karakteristik PKL di Pasar Pagi teridentifikasi dalam tiga kelompok yang dibagi berdasarkan jenis dagangan yaitu Kelompok I, Makanan/Minuman Siap Saji; Kelompok II : Non-Makanan, Kelompok III : Jasa dan faktor-faktor yang berpengaruh dalam penataan pedagang kaki lima berdasarkan perspektif stakeholders yaitu (1) Sirkulas; (2) Dekat Permukiman; (3) Aksesibilitas; (4) Ekspansi; (5) Lahan Parkir; (6) Jaringan Listrik; (7) Jaringan Air Bersih; (8) Jaringan Limbah; (9) Lingkungan; (10) Visibilitas; (11) Fungsi Jalan; (12) Akses Pejalan Kaki dan (13) Kebijakan Tata Ruang.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».