PENERAPAN BUILDING INFORMATION MODELING (BIM) PADA TAHAP KESIAPSIAGAAN BENCANA ALAM DI INDONESIA
Notice bibliographique
Résumé
Indonesia adalah negara kepulauan yang terbesar di dunia yang sangat berpotensi terjadi bencana alam. Dengan mengerahkan semua daya upaya baik personil dan materiil serta teknologi seperti Building Information Modeling (BIM) diharapkan dapat meminimalisir dampak bencana berupa kerugian materiil dan korban jiwa. Tulisan ini membahas secara sistematis tentang penerapan BIM untuk memperkuat kesiapsiagaan bencana alam di Indonesia. Metode yang digunakan dalam penulisan ini adalah kualitatif dengan teknik pengumpulan data dilakukan secara dokumentasi atau studi literatur baik melalui buku, media elektronik serta sosial media yang disesuaikan dengan tema penelitian. Dari penelitian ini didapat peran BIM dalam kesiapsiagaan antara lain pemetaan dan analisis risiko, perencanaan evakuasi dan shelter, perencanaan infrastruktur darurat, simulasi bencana dan respons, serta koordinasi dan kolaborasi antar pemangku kepentingan. Sedangkan tantangan dalam penerapan BIM adalah keterbatasan data geospasial, mahalnya biaya investasi infrastruktur IT dan pelatihan BIM, keterbatasan Sumber Daya Manusia (SDM) yang terampil atau tenaga ahli BIM serta kurangnya integrasi dengan sistem dan standar yang ada. Dengan terus meningkatkan kapasitas serta evaluasi dari studi kasus negara lain seperti Jepang diharapkan Indonesia dapat lebih siap menghadapi dan merespons bencana alam khususnya dengan penggunaan teknologi BIM.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,004 |
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 ».