Daya Dukung Pariwisata Selama Pandemi Covid-19 di Wana Wisata Ranca Upas, Kabupaten Bandung, Jawa Barat
Notice bibliographique
Résumé
Rencana pembangunan fasilitas dan aktivitas wisata di Wana Wisata Ranca Upas (WWRU), Kabupaten Bandung serta pandemi Covid-19 secara tidak langsung berdampak pada lingkungan fisik kawasan hutan khususnya perhitungan daya dukung pariwisata seperti pengaturan jarak fisik. Penelitian bertujuan untuk mengkaji karakteristik pengunjung selama pandemi Covid-19, menganalisis daya dukung fisik, serta mencari faktor koreksi ekologi dan psikologi untuk kemudian menganalisis daya dukung riil dan efektif. Metode penelitian menggunakan metode kuantitatif didukung oleh data kualitatif berupa observasi langsung, wawancara, kuesioner serta studi literatur dan dokumen. Analisis daya dukung fisik, riil, dan efektif mengacu pada Cifuentes (1992), faktor koreksi ekologi melalui studi literatur, sedangkan faktor koreksi psikologi dianalisis menggunakan skala likert dan garis kontinum. Hasil studi menunjukkan bahwa WWRU selama pandemi Covid-19 mampu menampung 46.784 pengunjung/hari. Faktor koreksi ekologi yang didapatkan berdasarkan hasil studi adalah 40% untuk matahari, 6,25% dan 18,75% untuk curah hujan, serta 51,77% untuk faktor koreksi psikologi. Sedangkan berdasarkan studi literatur adalah 20,93% untuk tanah, 20,24% untuk air, dan 28,46% untuk rumput. Hasil perhitungan menunjukkan daya dukung riil kawasan WWRU selama pandemi Covid-19 adalah 5.896 pengunjung/hari atau menurun sekitar 71,44% dibandingkan penelitian sebelum pandemi Covid-19 sedangkan daya dukung efektif selama Covid-19 menggunakan kapasitas manajemen adalah 1.814 pengunjung/hari dan masih bisa dioptimalkan apabila dibandingkan dengan rerata kunjungan tahunan aktual WWRU.
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 | 0,024 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,000 |
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 tête enseignante, 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 ».