Analisis Tingkat Keamanan Ruang Terbuka Hijau Berdasarkan Variabel Keruangan Dan Fisik Taman: Studi Kasus Kota Surabaya
Notice bibliographique
Résumé
Keamanan adalah kebutuhan mendasar bagi psikologi manusia. Ancaman tindak kriminalitas cukup tinggi di kota-kota besar, hal ini berdampak terhadap rasa aman masyarakatnya. Rasa aman sendiri mempengaruhi bagaimana kehidupan masyarakat dalam menggunakan ruang perkotaan, semakin aman suatu kawasan semakin nyaman pula masyarakat menggunakannya. Ruang terbuka hijau atau taman merupakan fasilitas publik kota yang memiliki probalitas tejadinya tindak kriminalitas tertinggi di bandingkan fasilitas publik lainnya. Kota Surabaya sejak tahun 2010 hingga 2020 terus menambah luas ruang terbuka hijau dan jumlah tamannya, sehingga antusiasme masyarakat untuk berkunjung ke taman juga semakin meningkat. Namun, antusiasme ini dibayang-bayangi oleh resiko tindak kriminalitas, dikarenakan Surabaya merupakan kota dengan tingkat kriminalitas tertinggi se-Jawa Timur pada tahun 2020. Evaluasi tingkat keamanan di taman Kota Surabaya ini penting dilakukan, guna mengetahui peran atribut fisik lingkungan taman dalam mencegah tindak kriminal dan meningkatkan rasa aman. Mix method dengan strategi multi kasus digunakan dalam penelitian ini, serta visual audit dan persepsi masyarakat sebagai alat analisisnya. Kedua alat analisis digunakan untuk mengetahui respon persepsi rasa aman masyarakat terhadap kondisi ideal atribut lingkungan dalam mencegah tindak kriminalitas. Taman Flora memiliki ketercapaian indikator visual audit sebesar 85,7% dan masuk dalam tingkatan “sangat aman”, sedangkan skor rata-rata rasa amannya adalah 4,25 dan masuk tingkatan “sangat aman”. Taman Harmoni memiliki ketercapaian indikator visual audit sebesar 57% dan masuk dalam tingkatan “cukup aman”, sedangkan skor rata-rata rasa amannya adalah 4,13 dan masuk tingkatan “aman”. Kebun Bibit memiliki ketercapaian indikator visual audit sebesar 64% dan masuk dalam tingkatan “cukup aman”, sedangkan skor rata-rata rasa amannya adalah 4,17 dan masuk tingkatan “aman”.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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.
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 ».