ANALISIS POLA PERMUKIMAN BERDASARKAN TOPOGRAFI DI KOTA TERNATE
Notice bibliographique
Résumé
Pengetahuan tentang pola distribusi titik ruang akan memudahkan untuk mencari solusi penyebab pola titik dalam ruang tersebut terbentuk. Melalui cara tersebut maka, perbandingan antara pola persebaran dapat dilakukan dengan baik. Tujuan dari penelitian ini yaitu untuk mengidentifikasi dan menganalisis pola permukiman berdasarkan topografi atau kemiringan lereng yang terdapat di Kota Ternate. Analisis data menggunakan analisis tetangga terdekat untuk mengidentifikasi dan menganalisis pola permukiman berdasarkan sebaran permukiman pada topografi yang mempengaruhi pola permukiman di Pulau Ternate. Topografi atau kemiringan lereng Pulau Ternate dihasilkan dari analisis data Digital Elevation Model Shuttle Radar Topography Mission. Ternate bagian Barat atau sebagian Kecamatan Pulau Ternate dominan dalam kelas agak curam sampai sangat curam, sehingga di daerah tersebut jarang ada permukiman. Sedangkan Ternate bagian Selatan, Timur dan Utara yang didominasi kemiringan lereng kelas datar hingga landai membuat daerah tersebut padat permukiman, khususnya Ternate bagian Timur. Hasil analisis tetangga terdekat keempat Kecamatan di Kota Ternate menghasilkan pola permukiman yang mengelompok. Pola permukiman mengelompok tersebut didominasi di daerah yang memiliki kemiringan lereng datar hingga landai, dengan taraf persentasi 0-8% kelas datar dan 8-15% kelas landai. Berdasarkan peta pola permukiman, daerah yang padat permukiman terletak di Kecamatan Ternate Utara, Ternate Tengah dan Ternate Selatan. Ketiga kecamatan tersebut merupakan area yang termasuk kategori datar yang cocok untuk permukiman dan memiliki area datar yang lebih luas dibandingkan dengan Kecamatan Pulau Ternate. ABSTRACT Knowledge of the pattern of the distribution of points in space will make it easier to find solutions to the cause of the pattern of points in the space formed. Through this method, comparisons between distribution patterns can be carried out properly. The purpose of this study is to identify and analyze settlement patterns based on topography or slopes in Ternate City. Data analysis uses nearest neighbor analysis to identify and analyze settlement patterns based on the distribution of settlements on topography that affect settlement patterns on Ternate Island. The topography or slope of Ternate Island is generated from data analysis of the Digital Elevation Model Shuttle Radar Topography Mission. The western part of Ternate or part of the Ternate Island District is dominant in a rather steep to very steep class so in that area there are rarely settlements. Meanwhile, the southern, eastern, and northern parts of Ternate, which are dominated by flat to gentle slopes, make the area densely populated, especially in the eastern part of Ternate. The results of the analysis of the closest neighbors of the four sub-districts in Ternate City produce clustered settlement patterns. The clustered settlement pattern is dominated by areas that have flat to gentle slopes, with a percentage level of 0-8% flat class and 8-15% sloping class. Based on the settlement pattern map, densely populated areas are located in the Districts of North Ternate, Central Ternate, and South Ternate. The three sub-districts are areas that are included in the flat category which are suitable for settlements and have a wider flat area compared to Ternate Island District
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 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 ».