Improving Quality of Land Data Towards Modern Land Administration in The Administrative City of West Jakarta
Notice bibliographique
Résumé
Land data quality plays a pivotal role in advancing modern land administration, impacting both national economic growth and Indonesia’s competitive position in the global property index, where it currently ranks 106th in Ease of Doing Business. This research focuses on the need for systematic quality improvements in both physical (spatial) and juridical (textual) land data within the West Jakarta City Administration to address existing data deficiencies. Applying the Driver-Pressures-States-Impacts-Responses (DPSIR) framework, this study investigates key challenges, causal factors, and strategic interventions aimed at enhancing land data quality. In-depth interviews with stakeholders were conducted to elucidate these dynamics and inform the proposed strategies. The findings highlight the successful digitization and validation of 94.52% of 423,189 Land Book records, 69.03% of 494,071 Ownership Rights Plans/Measurement Letters, and the spatial data of 94.68% across 427,569 land parcels, thereby improving the Data Quality Classification (KW) across categories 4–6. This study underscores the critical importance of robust data validation processes in modernizing Indonesia’s Land Administration System (LAS), offering valuable insights for enhancing the efficiency, transparency, and reliability of land data, thereby supporting economic development and improving Indonesia’s standing in the global property market.Kualitas data pertanahan memainkan peran penting dalam memajukan administrasi pertanahan modern, yang berdampak pada pertumbuhan ekonomi nasional dan posisi kompetitif Indonesia dalam indeks properti global, di mana saat ini menduduki peringkat ke-106 dalam kemudahan berbisnis. Penelitian ini berfokus pada kebutuhan peningkatan kualitas data secara sistematis, baik fisik (spasial) maupun yuridis (tekstual), di Administrasi Kota Jakarta Barat untuk mengatasi kekurangan data yang ada. Dengan menerapkan kerangka Driver-Pressures-States-Impacts-Responses (DPSIR), studi ini menginvestigasi tantangan utama, faktor penyebab, dan intervensi strategis untuk meningkatkan kualitas data pertanahan. Wawancara mendalam dengan pemangku kepentingan dilakukan untuk menguraikan dinamika ini dan mendukung strategi yang diusulkan. Temuan menunjukkan keberhasilan digitalisasi dan validasi 94,52% dari 423.189 dokumen Buku Tanah, 69,03% dari 494.071 dokumen Rencana Hak Milik/Surat Ukur, serta data spasial dari 94,68% di 427.569 bidang tanah, sehingga meningkatkan Klasifikasi Kualitas Data (KW) di kategori 4–6. Penelitian ini menekankan pentingnya proses validasi data yang kuat dalam memodernisasi Sistem Administrasi Pertanahan (LAS) Indonesia, menawarkan wawasan berharga untuk meningkatkan efisiensi, transparansi, dan keandalan data pertanahan yang mendukung pembangunan ekonomi dan memperbaiki posisi Indonesia di pasar properti global.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».