Analisis Tingkat Kerusakan Perkerasan Jalan Lentur Menggunakan Metode Bina Marga dan Aplikasi Roadlab Pro
Notice bibliographique
Résumé
Kerusakan jalan menjadi masalah yang sering kali terjadi, terkhusus infrastruktur jalan di Kabupaten Bengkalis dari total panjang jalan yang mencapai 1.311,961 km, lebih dari 629 km diantaranya mengalami kerusakan ringan hingga berat, terutama pada jalan lentur yang memiliki umur layanan dan daya dukung terbatas, permasalahan sering kali terjadi akibat beban lalu lintas, perubahan cuaca, serta umur layanan jalan. Oleh karena itu, penting untuk melakukan analisis yang mendalam terhadap tingkat kerusakan jalan. Metode yang digunakan adalah metode Bina Marga 1990, Surface Distress Index (SDI), Road Condition Survey (RCS), Road Condition Index (RCI), dan International Roughness Index (IRI), dan Aplikasi Roadlab Pro. Berdasarkan data hasil metode Bina Marga 1990, nilai kondisi jalan ˃7 terdapat 284 STA perlu dilakukan pemograman pemeliharaan rutin, nilai kondisi jalan 4 – 6 terdapat 16 STA perlu dilakukan pemograman pemeliharaan berkala. Hasil pengaplikasian RoadLab Pro memiliki nilai RCI rata-rata sebesar 8,49 dan survei manual di lapangan nilai RCI rata-rata sebesar 7,11. Perbandingan selisih nilai yang cukup signifikan penggunaan aplikasi RoadLab Pro dapat membantu mempercepat penilaian kekasaran jalan, akurasinya belum sepenuhnya konsisten. Selisih nilai dengan survei manual menunjukkan aplikasi ini sebaiknya digunakan sebagai alat pendukung
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,005 |
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 ».