MétaCan
Menu
Retour à la cohorte
Enregistrement W4220774419 · doi:10.30659/jkr.v1i2.20023

KAJIAN KERENTANAN SOSIAL TERHADAP BENCANA BANJIR

2022· article· en· W4220774419 sur OpenAlexaff
Endah Puspitotanti, Milla Karmilah

Notice bibliographique

RevueJurnal Kajian Ruang · 2022
Typearticle
Langueen
DomaineComputer Science
ThématiqueData Mining and Machine Learning Applications
Établissements canadiensEncana (Canada)
Organismes subventionnairesnon disponible
Mots-clésFlood mythGeographyPopulationVulnerability (computing)Social vulnerabilitySocioeconomicsAsset (computer security)DemographyPsychologySociology

Résumé

récupéré en direct d'OpenAlex

ABSTRACTFlood is a natural phenomenon that occurs due to high rainfall intensity which causes excess water that is not accommodated by the drainage network of an area (Rachmat & Pamungkas, 2014). Based on the 2015 BNPB disaster risk assessment in (BNPB, 2016), the number of people exposed to flood risk in all regions of Indonesia is more than 170 million people with an exposed asset value of more than IDR 750 trillion. Floods are disasters that always occur every year in several places. The composition of the population greatly affects the level of social vulnerability to floods. Therefore, this research needs to be carried out with the aim of identifying social vulnerability to flood disasters as one of the disaster management efforts to reduce disaster risk.The method used in this research is qualitative method with a literature review approach. The results showed that the level of social vulnerability in Baleendah District, East Tondano District, and the coastal villages of Demak Regency is influenced by several factors. These factors are population, population according to sex, population according to age group, population density, poverty level, population with disabilities, level of dependency, number of family members, population growth, education level, and health insurance.Keywords: Social Vulnerability, Flood Disaster, Vulnerability Factors ABSTRAKBanjir adalah fenomena alam yang terjadi akibat intensitas curah hujan yang tinggi yang menyebabkan kelebihan air yang tidak tertampung oleh jaringan pematusan suatu wilayah (Rachmat & Pamungkas, 2014). Berdasarkan kajian risiko bencana BNPB tahun 2015 dalam (BNPB, 2016), jumlah jiwa terpapar risiko bencana banjir di seluruh wilayah Indonesia yaitu lebih dari 170 juta jiwa dengan nilai aset terpaparnya lebih dari Rp750 triliun. Banjir merupakan bencana yang selalu terjadi setiap tahun di beberapa tempat. Komposisi penduduk sangat mempengaruhi tingkat kerentanan sosial terhadap bencana banjir. Oleh karena itu, penelitian ini perlu dilakukan dengan tujuan untuk mengidentifikasi kerentanan sosial terhadap bencana banjir sebagai salah satu upaya penanggulangan bencana untuk mengurangi risiko bencana.Metode yang digunakan dalam penelitian ini yaitu metode kualitatif dengan pendekatan kajian literatur. Hasil penelitian menunjukkan bahwa tingkat kerentanan sosial di Kecamatan Baleendah, Kecamatan Tondano Timur, dan pedesaan pesisir Kabupaten Demak dipengaruhi oleh beberapa faktor. Faktor-faktor tersebut yaitu jumlah penduduk, penduduk menurut jenis kelamin, penduduk menurut kelompok umur, kepadatan penduduk, tingkat kemiskinan, penduduk penyandang disabilitas, tingkat ketergantungan, jumlah anggota keluarga, pertumbuhan penduduk, tingkat pendidikan, dan jaminan kesehatan.Kata kunci: Kerentanan Sosial, Bencana Banjir, Faktor Kerentanan

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,021
Score d'incertitude au seuil0,069

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0030,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0210,002

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,240
Écart entre enseignants0,230 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations13
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJurnal Kajian RuangMême sujetData Mining and Machine Learning ApplicationsTravaux en français237 207