MétaCan
Menu
Retour à la cohorte
Enregistrement W4413332863 · doi:10.29313/bcsurp.v5i2.20184

Analisis Spasio-Temporal Perkembangan Lahan Terbangun Menggunakan Pendekatan Machine Learning

2025· article· en· W4413332863 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueBandung Conference Series Urban & Regional Planning · 2025
Typearticle
Langueen
DomaineComputer Science
ThématiqueData Mining and Machine Learning Applications
Établissements canadiensEncana (Canada)
Organismes subventionnairesnon disponible
Mots-clésComputer scienceEnvironmental science

Résumé

récupéré en direct d'OpenAlex

Abstract. Bekasi City is a buffer city for DKI Jakarta, Bogor, and Tangerang, which is a destination for urbanization and the search for new jobs. This condition causes an increase in population every year, which has a direct impact on the increasing need for space and the expansion of built-up land. This study aims to identify changes and developments in built-up land in Bekasi City from 1998 to 2023. The method used is a descriptive quantitative approach by utilizing secondary data in the form of Landsat 5 and Landsat 7 satellite imagery. Data analysis was carried out by classifying built-up land using a machine learning algorithm in the form of random forest, and testing accuracy using a confusion matrix. The results show that the area of built-up land in Bekasi City has increased by 4,264 Ha over 25 years. The development of built-up land tends to expand to the south, especially in the districts of Pondok Melati, Jatiasih, Jatisampurna, Mustika Jaya, and Bantar Gebang. Abstrak. Kota Bekasi merupakan kota penyangga DKI Jakarta, Bogor, dan Tangerang yang menjadi tujuan urbanisasi serta pencarian lapangan pekerjaan baru. Kondisi ini menyebabkan terjadinya pertambahan jumlah penduduk setiap tahunnya, yang berdampak langsung pada peningkatan kebutuhan ruang dan perluasan lahan terbangun. Penelitian ini bertujuan untuk mengidentifikasi perubahan dan perkembangan lahan terbangun di Kota Bekasi dari tahun 1998 hingga 2023. Metode yang digunakan adalah pendekatan kuantitatif deskriptif dengan memanfaatkan data sekunder berupa citra satelit Landsat 5 dan Landsat 7. Analisis data dilakukan dengan klasifikasi lahan terbangun menggunakan algoritma machine learning berupa random forest, serta pengujian akurasi menggunakan confusion matrix. Hasil penelitian menunjukkan bahwa luas lahan terbangun di Kota Bekasi mengalami peningkatan sebesar 4.264 Ha selama 25 tahun. Perkembangan lahan terbangun cenderung meluas ke bagian selatan, terutama di Kecamatan Pondok Melati, Jatiasih, Jatisampurna, Mustika Jaya, dan Bantar Gebang.

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.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,774
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 GPT0,272
Écart entre enseignants0,247 · 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