ANALISIS KESESUAIAN LAHAN UNTUK PENGEMBANGAN LAHAN PERMUKIMAN DENGAN TEKNOLOGI SISTEM INFORMASI GEOGRAFIS (SIG) (STUDI KASUS: KECAMATAN MEDAN TUNTUNGAN)
Notice bibliographique
Résumé
Pesatnya pembangunan perumahan dan permukiman di daerah Kota Medan dapat memicu perubahan pola penggunaan lahan yang cukup besar dan kemungkinan besar tidak akan sanggup menampung penduduk karena meningkatnya jumlah penduduk, rendahnya kualitas permukiman, tingginya pemanfaatan ketidaksesuaian lahan di Kota Medan. Metoda pendekatan yang digunakan dalam penelitian ini yaitu studi pustaka, survei data sekunder dan Analisis SKL. Analisis Satuan Kemampuan Lahan (SKL) adalah melakukan pembobotan terhadap setiap parameter fisik dasar. Parameter fisik tersebut terdiri dari data kemiringan lereng, jenis batuan, jenis induk tanah, curah hujan, guna lahan eksisting dan jaringan jalan (aksesibilitas). Kemudian skor akhir pembobotan untuk setiap parameter tersebut diolah dengan Analisis spasial menggunakan aplikasi Sistem Informasi Geografis Software ArcMap 10.8 dengan metode geoprosessing tools (Buffer- Overlay-Union). Berdasarkan peta analisis kesesuaian pengembangan permukiman berdasarkan SKL di atas dapat diuraikan bahwa luas permukiman yang bisa dikembangkan menurut kesesuaian Sangat Tinggi dan kesesuaian Tinggi. Dimana luas kesesuaian lahan sangat tinggi mencapai 1,665.59 Ha sedangkan luas kesesuaian lahan Tinggi mencapai 432.03 Ha. Jika di jumlahkan, maka didapatkan luas lahan yang dapat dikembangkan yaitu 1,665.60 Ha atau jika di persentasekan akan menghasilkan 100.0% luas lahan yang dapat dikembangkan. Jadi kesimpulannya dijelaskan bahwa luas kesesuaian pemanfaatan ruang mencapai 79% sedangkan luas ketidak kesesuaian pemanfaatan lahan namun di manfaatkan sebagai permukiman adalah 21%.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 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; 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 ».