Analisa Perkerasan Jalan Kaku menggunakan Metode Bina Marga dan PCI (Studi Kasus: Jalan Majalengka-Rajagaluh)
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.
Notice bibliographique
Résumé
Sebagai negara berkembang, Indonesia memerlukan jalan yang berkualitas dan memadai dalam jumlah untuk memenuhi kebutuhan masyarakat dalam menjalankan berbagai aktivitas ekonomi, baik untuk aksesibilitas maupun pergerakan barang dan jasa. Evaluasi yang akurat dapat mengidentifikasi jenis-jenis kerusakan seperti retakan, lubang, atau deformasi lainnya yang dapat mempengaruhi kinerja jalan. Pemeliharaan rutin dapat meliputi pengisian retakan dan perbaikan lubang, sementara pemeliharaan berkala mungkin melibatkan pelapisan ulang atau rekonstruksi sebagian. Tujuan dari pekerjaan ini adalah untuk mengetahui jenis kerusakan permukaan jalan pada Jalan Majalengka-Rajagaluh,. Jalan aspal Majalengka-Rajagaluh memiliki 1 lajur dan 2 lajur dengan total panjang 14,7 km (14.700 meter) dan lebar 7,5 meter. Jalan ini sering dilalui kendaraan seperti sepeda motor, minibus, mobil pick up, minibus, bus besar, dan truk dua gandar (roda 4). Perhitungan nilai keadaan berdasarkan observasi pengukuran kerusakan perkerasan jalan Kabupaten Majalengka ruas jalan Majalengka-Rajagaluh memakai metode Bina Marga menunjukkan angka prioritas 3. Oleh karena itu, jalan tersebut masuk dalam program perbaikan jalan. Perhitungan keadaan perkerasan berdasarkan PCI (Pavement Condition Index) memberikan hasil sebesar 16 yang tergolong sangat buruk. Oleh karena itu, nilai keadaan jalur adalah 8 menurut metode PCI.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle