MétaCan
Menu
Retour à la cohorte
Enregistrement W4410926602 · doi:10.63824/jptsp.v12i1.267

TEKNIK EVALUASI PEMELIHARAAN JALAN LINGKUNGAN KAWASAN AKADEMI MILITER MENGGUNAKAN SISTEM INFORMASI GEOGRAFIS

2025· article· id· W4410926602 sur OpenAlexaff
A.K.A Agustinus Agustinus

Notice bibliographique

RevueJURNAL TEKNIK SIPIL PERTAHANAN · 2025
Typearticle
Langueid
DomaineComputer Science
ThématiqueData Mining and Machine Learning Applications
Établissements canadiensEncana (Canada)
Organismes subventionnairesnon disponible
Mots-clésHumanitiesArt

Résumé

récupéré en direct d'OpenAlex

Jalan lingkungan merupakan jalan yang berfungsi melayani kawasan lingkungan tertentu dengan ciri perjalanan jarak dekat dan menghubungkan pusat kegiatan di dalam kawasan pemukiman. Setiap tahunnya jalan lingkungan memerlukan pemeliharaan dengan metode yang sistematis, modern, dan bersifat proaktif guna meminimalkan biaya pemeliharaan. Metode yang digunakan adalah geodatabase ArcGIS 9.2. Pengumpulan data menggunakan metode survei di lapangan merujuk pada Tata Cara Penyusunan Program Pemeliharaan Jalan. Hasil survei dimasukkan ke dalam attribute table pada ArcGIS, selanjutnya dilaksanakan penyusunan sistem manajemen basis data dalam bentuk geodatabase. Geodatabase tersebut ditampilkan dalam bentuk peta digital yang memperlihatkan kondisi jalan yang ada. Hasil dari penelitian menunjukan 21 ruas jalan lingkungan di Kawasan Akademi Militer Magelang seluruhnya termasuk dalam kategori pemeliharaan rutin dengan memperoleh nilai urut prioritas lebih dari tujuh (>7). Terdapat beberapa ruas jalan seperti zona/ruas jalan no 4, 7, 10, 11, 17 dan 18 yang mengalami penurunan kondisi jalan. Langkah pemodelan basis data kondisi jalan lingkungan menggunakan software ArcGIS 9.2 dirasakan mampu untuk memperbaiki beberapa kekurangan sistem lama. Penyusunan basis data jalan lingkungan ini juga menghasilkan data bereferensi keruangan (spasial) dan data teks (atribut) yang saling terintegrasi satu sama lain dan data dapat selalu diperbaharui dengan memasukan data baru ke dalam attribute table.

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)0,004
score de la tête « metaresearch » (Gemma)0,013
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 enseignants0,033
Score d'incertitude au seuil0,111

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,013
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,001
Communication savante0,0050,003
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0330,011

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 Opus0,012
Tête enseignante GPT0,289
Écart entre enseignants0,277 · 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
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJURNAL TEKNIK SIPIL PERTAHANANMême sujetData Mining and Machine Learning ApplicationsTravaux en français237 207