Faktor-Faktor Kerentanan dan Upaya Mitigasi Bencana Banjir di Sub-Daerah Aliran Sungai, Kasus: Kecamatan Tangse, Kabupaten Pidie
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
Kecamatan Tangse adalah salah satu kecamatan di Kabupaten Pidie yang berada pada Pengunungan Bukit Barisan dengan kondisi karakteristik topografi wilayah berkontur yang beragam menjadikan Tangse memiliki daerah akumulasi genangan (cekungan) sehingga Kecamatan Tangse menjadi daerah rawan bencana banjir. Banjir menyebabkan korban jiwa, kerugian material dan rusaknya infrastruktur. Tujuan penelitian ini yaitu mengetahui faktor-faktor kerentanan bencana banjir di Kecamatan Tangse Kabupaten Pidie dan upaya mitigasi bencana banjir. Jenis penelitian yang dilakukan yaitu kualitatif deskriptif dengan menggunakan variabel kerentanan (fisik, sosial, ekonomi dan lingkungan). Menggunakan metode analisis skala likert dengan pendekatan rasionalisme bersumber pada teori dan kebenaran empirik. Hasil dari penelitian ditemukan 7 faktor yang berpengaruh secara signifikan ialah faktor curah hujan (10,7%), kelerengan (8,8%), lokasi atau jarak rumah ke sungai (8,7%), selanjutnya di ikuti dengan faktor jenis tanah, kondisi sungai, kepadatan bangunan, dan material bangunan. Upaya mitigasi yang dilakukan dalam bentuk mitigasi non struktural dan mitigasi struktural.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle