PERENCANAAN DAN PERMODELAN KEBUTUHAN PARKIR UNIVERSITAS SEBAGAI PEMBAHARUAN PEDOMAN PERENCANAAN (STUDI KASUS PUSAT PENDIDIKAN/PERGURUAN TINGGI)
Notice bibliographique
Résumé
Guidelines for planning parking facilities have been regulated in the Guidelines for Planning and Operation of Parking Facilities, Director General of Land Transportation but this reference can be said to be past to be used as a guideline, because considering the development of the type, type and number of motorized vehicles growing so rapidly, the size of the unit needs of parking space for each activity center needs to be tested again, in this case, researchers are trying to conduct a survey at the education center / university to provide a foundation which has the potential to be used as a reference for parking planning policies. There were two dependent variables (Y) used in this study: maximum parking accumulation of cars and motorcycles. These two variables were obtained from vehicle surveys conducted using the survey cordon method. However, the independent variable consists of the number of students (X1), the number of lecturers (X2), and the number of education staff (X3). The study used regression analysis, and the SPSS program was used to create and test the model. The results of the analysis obtained the best model for car Y = 29.963 + 0.773 X2 + 0.474 X3 with R2 0.996, for motorcycle Y = 468.577 + 0.380 X1 + -9.608 X3 with R2 0.995. Both models were selected based on significant, simultaneous, normality, linearity, and multicollinearity tests. The results show that both models meet the BLUE criteria, meaning at best, linearity, unbiased, and estimator.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,023 | 0,004 |
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 ».