Pengukuran Layak Huni Kota Depok pada Tingkat Meso
Notice bibliographique
Résumé
Kota Depok menempati peringkat terakhir dari 52 kota dalam Most Livable City Index (MLCI) 2022 versi Ikatan Ahli Perencana (IAP). Meskipun telah terdapat penelitian terdahulu yang mengukur tingkat layak huni kota melalui pendekatan kuantitatif dan data primer, kajian pada tingkat meso dengan menggunakan data sekunder dan metode analisis yang berbeda di Kota Depok masih terbatas. Tujuan penelitian ini adalah untuk mengukur tingkat layak huni Kota Depok pada tingkat meso dengan batas administrasi kecamatan. Penelitian ini bersifat kuantitatif dengan metode min-max normalization dan memetakan tingkat layak huni setiap kecamatan. Enam dimensi kota layak huni meliputi dimensi pendidikan, kesehatan, sosial kependudukan, ekonomi, transportasi dan lingkungan. Hasil menunjukkan bahwa dimensi pendidikan memiliki skor rata-rata tertinggi, sedangkan dimensi transportasi memiliki skor terendah. Kecamatan Sukmajaya dan Kecamatan Pancoran Mas tergolong sangat layak huni, relatif terhadap kecamatan lain di Kota Depok meskipun tidak berdekatan dengan PPK. Sementara Kecamatan Limo, Cipayung, Bojongsari, dan Cinere tergolong sangat tidak layak huni dibandingkan kecamatan lainnya karena ketersediaan berbagai fasilitas seperti kesehatan, pendidikan dan transportasi masih belum merata pada kecamatan-kecamatan tersebut. Secara umum, Kota Depok tergolong cukup layak huni (skor rata-rata 0,4773) dengan pemetaan layak huni yang cenderung sejalan dengan pemetaan pada dimensi transportasi. Penelitian ini menekankan pentingnya optimalisasi setiap dimensi kota layak huni secara kontekstual di tingkat kecamatan sebagai strategi dalam mewujudkan Kota Depok sebagai kota layak huni. Pemerintah Kota Depok perlu memprioritaskan intervensi strategis pada kecamatan-kecamatan dengan tingkat layak huni yang rendah guna meningkatkan layak huni Kota Depok secara keseluruhan.
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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
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 tête enseignante, 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 ».