MétaCan
Menu
Retour à la cohorte
Enregistrement W4403239152 · doi:10.29313/bcsurp.v4i3.14036

Analisis Variabel yang Berpengaruh terhadap Konsolidasi Lahan di Permukiman Kumuh Kawasan Perkotaan Kelurahan Ciumbuleuit, Kota Bandung

2024· article· en· W4403239152 sur OpenAlexaff
Chereen Haura Puti Aji, Nia Kurniasari

Notice bibliographique

RevueBandung Conference Series Urban & Regional Planning · 2024
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueWater and Land Management
Établissements canadiensEncana (Canada)
Organismes subventionnairesnon disponible
Mots-clésBusiness

Résumé

récupéré en direct d'OpenAlex

Abstract. The fulfillment of land needs is one step towards achieving social welfare for all Indonesian people, which is part of the government's responsibility. The difference between communities with adequate housing and those living in slums highlights a social gap that should not exist in a country aiming for prosperous citizens. Efforts to improve housing and settlement environments, including slums, have been many but are less effective in eradicating slum housing. To address this issue, the MICMAC Analysis method and descriptive analysis method are used to identify variables that play a role in consolidating slum land in urban areas. The study found two highly influential variables: Community Willingness to Accept Land Consolidation Programs (KMKL) and Funding Sources (SPBY), and two variables with low influence and dependency: Administration and Documentation in Land Consolidation Implementation (ADPKL) and Benefits of Land Consolidation Implementation (KMPKL). A key variable for the next 20 years is the Social & Economic Conditions of the Community (KSEM). The planned land consolidation in Ciumbuleuit focuses on infrastructure improvement and procurement, and further slum housing arrangements must consider land area, community willingness, budget, and other variables. This study is expected to provide insights for planning and implementing land consolidation and could offer new ideas to improve the success of land consolidation planning for slum settlements in urban areas. Abstrak. Pemenuhan kebutuhan akan lahan menjadi salah satu langkah untuk mencapai kesejahteraan sosial bagi seluruh rakyat Indonesia yang merupakan bagian dari tanggung jawab pemerintah. Perbedaan antara masyarakat yang kebutuhan perumahannya terpenuhi dan masyarakat yang tinggal di daerah kumuh menjelaskan adanya kesenjangan sosial yang seharusnya tidak boleh terjadi sebagai sebuah negara yang bertujuan untuk menjadi rakyat yang sejahtera. Upaya yang dilakukan dalam perbaikan lingkungan perumahan dan pemukiman yang termasuk kumuh sudah banyak dilakukan, namun kurang efektif dalam pemberantasan perumahan kumuh. Untuk memecahkan masalah tersebut maka digunakan metode Analisis MICMAC dan metode analisis deskriptif untuk mengetahui variabel yang berperan dalam konsolidasi lahan perumahan kumuh di kawasan perkotaan. Hasil dari penelitian ini adalah terdapat 2 variabel yang paling berpengaruh, diantaranya Kesediaan Masyarakat Menerima Program Konsolidasi Lahan (KMKL) dan Sumber Pembiayaan (SPBY), dan 2 variabel yang memiliki pengaruh dan ketergantungan yang rendah, yaitu Administrasi dan Dokumentasi Dalam Pelaksanaan Konsolidasi Lahan (ADPKL) dan Keuntungan/Manfaat Pelaksanaan Konsolidasi Lahan (KMPKL), variabel yang berpengaruh untuk 20 tahun kedepan, yaitu Kondisi Sosial & Ekonomi Masyarakat (KSEM). Konsolidasi lahan yang direncanakan di Kelurahan Ciumbuleuit difokuskan untuk pembenahan dan pengadaan infrastruktur, begitu pula untuk penataan perumahan kumuh lebih lanjut harus mempertimbangkan luas lahan, kesediaan masyarakat, anggaran dan variabel lainnya. Diharapkan kajian ini dapat menjadi bahan refleksi perencanaan dan pelaksanaan konsolidasi lahan dan dapat menjadi pokok pemikiran baru untuk meningkatkan keberhasilan perencanaan konsolidasi lahan untuk penangan permukiman kumuh di kawasan perkotaan.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,275
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,025
Tête enseignante GPT0,242
Écart entre enseignants0,217 · 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 tête enseignante, pas un consensus.

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 sujetWater and Land ManagementTravaux en français237 207