KEDISIPLINAN BERLALU LINTAS DAN IMPLIKASINYA TERHADAP TRANSPORTASI BERKELANJUTAN DI PEKANBARU
Notice bibliographique
Résumé
Pertumbuhan kendaraan bermotor di Kota Pekanbaru telah menimbulkan beberapa permasalahan transportasi terutama meningkatnya angka pelanggaran lalu lintas yang berdampak pada keberlanjutan sistem transportasi. Penelitian ini bertujuan untuk mengidentifikasi tingkat kedisiplinan berlalu lintas masyarakat Kota Pekanbaru dan menganalisis implikasinya terhadap perencanaan transportasi berkelanjutan. Ruang lingkup penelitian meliputi evaluasi perilaku pengguna jalan dalam konteks pengetahuan peraturan lalu lintas, kepatuhan, keselamatan kendaraan dan aspek emosional saat berkendara. Metodologi yang digunakan adalah pendekatan deduktif dengan menggunakan analisis deskriptif kuantitatif melalui penyebaran kuesioner kepada 350 responden yang tersebar di 15 kecamatan di Kota Pekanbaru. Pemilihan responden dilakukan dengan teknik purposive sampling. Hasil penelitian menunjukkan bahwa meskipun tingkat pengetahuan masyarakat terhadap peraturan lalu lintas tergolong (82%), masih terdapat kesenjangan yang cukup signifikan antara pengetahuan dan praktik di lapangan. Sebanyak 17,71% responden masih berbelok tanpa menyalakan lampu sein dan 5,43% berkendara secara zig-zag. Selain itu, sebanyak 44% mengaku mudah terpancing emosi saat berkendara. Temuan ini menunjukkan urgensi untuk lebih banyak melakukan pendidikan berlalu lintas, perbaikan infrastruktur berbasis spasial, dan mengintegrasikan perilaku lalu lintas ke dalam dokumen perencanaan seperti RITK dan RDTR. Oleh karena itu, perencanaan transportasi berkelanjutan harus mempertimbangkan pendekatan yang berbasis perilaku, seperti pendidikan lalu lintas yang adaptif, penerapan zona tertib berbasis spasial, dan integrasi desain jalan dengan karakteristik pengguna.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».