MétaCan
Menu
Retour à la cohorte
Enregistrement W4395093169 · doi:10.29313/bcsurp.v4i1.10929

Identifikasi Kerentanan Bencana Bajir di Kecamatan Bojoangsoang Kabupaten Bandung

2024· article· en· W4395093169 sur OpenAlexaff
Mochamad Farhan Abdurrahman, Ivan Chofyan, Irland Fardani

Notice bibliographique

RevueBandung Conference Series Urban & Regional Planning · 2024
Typearticle
Langueen
DomaineComputer Science
ThématiqueData Mining and Machine Learning Applications
Établissements canadiensEncana (Canada)
Organismes subventionnairesnon disponible
Mots-clésForestryEnvironmental sciencePhysicsGeography

Résumé

récupéré en direct d'OpenAlex

Abstract. The Bojongsoang Sub-district, Bandung Regency, often falls victim to flood disasters. In Bojongsoang, each aspect of its vulnerability presents its own set of problems. Socially, nearly half of Bojongsoang's population lives in poverty. Physically, low-lying terrain and uneven distribution of educational and healthcare facilities pose significant challenges, compounded by flood disasters necessitating budget allocations for infrastructure repairs. Economically, agriculture and animal husbandry contribute the least, despite agriculture occupying the largest land area, indicating a disparity between income and productivity. Environmentally, the predominant use of land for rice paddies and shrubland exacerbates waste management issues and industrial pollution. Therefore, it is crucial to address Bojongsoang's vulnerability to future floods. Hence, the research objective is to identify flood-prone areas in Bojongsoang, using vulnerability analysis referencing PERKA BNPB No. 2 of 2012, encompassing social, physical, economic, and environmental analyses, merged into total flood vulnerability assessment. Based on the research, Bojongsoang has a total of 10,203 residents exposed to moderate social vulnerability, with an estimated physical loss of approximately ± Rp. 48.8 trillion, and an economic loss of around Rp. 1,096,516,125, with low environmental vulnerability. Overall, villages in Bojongsoang demonstrate moderate vulnerability, with Tegalluar Village having the highest flood vulnerability index, and Cipagalo Village having the lowest vulnerability index among the four villages. Abstrak. Kecamatan Bojongsoang, Kabupaten Bandung, sering kali menjadi korban bencana banjir. Di Kecamatan Bojongsoang, tiap aspek kerentanannya memiliki masalah tersendiri. Secara sosial, hampir setengah dari populasi Kecamatan Bojongsoang hidup dalam kemiskinan. Secara fisik, dataran rendah dan ketidakmerataan sarana pendidikan serta kesehatan menjadi masalah utama, ditambah lagi dengan bencana banjir yang mengharuskan anggaran untuk perbaikan infrastruktur. Secara ekonomi, pertanian dan peternakan memiliki kontribusi terkecil, meskipun luas lahan pertanian adalah yang terbesar, menandakan ketimpangan antara pendapatan dan produktivitas. Secara lingkungan, penggunaan lahan yang didominasi oleh pesawahan dan semak belukar memperparah masalah sampah dan polusi industri. Oleh karena itu, penting untuk memperhatikan kerentanan Kecamatan Bojongsoang terhadap banjir di masa depan. Sehingga tujuan penelitian adalah untuk mengidentifikasi daerah rawan banjir di Kecamatan Bojongsoang. dengan menggunakan analisis kerentanan mengacu pada PERKA BNPB No.2 Tahun 2012, mencakup analisis sosial, fisik, ekonomi, dan lingkungan, yang digabungkan menjadi kerentanan total terhadap banjir. Berdasarkan penelitian, Kecamatan Bojongsoang memiliki total 10.203 penduduk terpapar dengan kerentanan sosial sedang, dengan estimasi kerugian fisik sekitar Rp. ± 48,8 Triliun, dan kerugian ekonomi sekitar Rp. 1.096.516.125, serta kerentanan lingkungan yang tergolong rendah. Secara keseluruhan, desa-desa di Kecamatan Bojongsoang menunjukkan kerentanan sedang, dengan Desa Tegalluar memiliki indeks kerentanan banjir tertinggi, dan Desa Cipagalo memiliki indeks kerentanan terendah.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,042
Score d'incertitude au seuil0,084

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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.

Tête enseignante Opus0,033
Tête enseignante GPT0,280
Écart entre enseignants0,247 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBandung Conference Series Urban & Regional PlanningMême sujetData Mining and Machine Learning ApplicationsTravaux en français237 207