Penyusunan Indeks Pembangunan Smart City Di Indonesia Tahun 2018
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
Pembangunan di wilayah perkotaan membutuhkan manajemen kota untuk menyelesaikan permasalahan yang terjadi akibat dari tingginya pertumbuhan penduduk. Kompleksitas permasalahan pada wilayah perkotaan sangat bervariasi, diantaranya penurunan kualitas pelayanan publik, berkurangnya ketersediaan lahan permukiman, kemacetan di jalan raya, konsumsi energi yang berlebihan, penumpukan sampah, peningkatan angka kriminalitas, dan masalah-masalah sosial lainnya. Pembentukan Indeks Pembangunan Smart City (IPSC) dipandang mampu memberi solusi yang efektif dan efisien dalam mengurangi permasalahan kota yang ada. Tujuan penelitian ini adalah mengetahui gambaran umum dan mendapatkan faktor- faktor pembentuk IPSC, mendapatkan hasil pengukuran IPSC, mengkaji uncertainty analysis dan sensitivity analysis dari IPSC dan melihat hubungan antara IPSC dengan IPM, serta mendapatkan klasifikasi berdasarkan 5 kategori di Indonesia. Berdasarkan hasil analisis faktor, terdapat 6 faktor yang terbentuk dimana wilayah IPSC tertinggi dengan jumlah penduduk kurang dari 200.000 jiwa terdapat di Kota Madiun, wilayah IPSC tertinggi dengan jumlah penduduk antara 200.000 hingga 1.000.000 jiwa terdapat di Kota Yogyakarta dan wilayah IPSC tertinggi dengan jumlah penduduk di atas 1.000.000 jiwa terdapat di Kota Tangerang. Hasil uncertainty analysis dan sensitivity analysis menunjukkan bahwa IPSC yang terbentuk sudah cukup robust dan reliable. Secara umum, IPSC memiliki hubungan yang positif terhadap IPM. Pembentukan indeks ini diharapkan mampu mempermudah pemerintah daerah dan pemerintah pusat dalam mengkaji kebijakan mengenai pengalokasian dana agar pembangunan smart city yang diharapkan sesuai dengan kondisi yang ada.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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