Kebutuhan Angkutan Laut yang Menghubungkan Pulau-Pulau Terpencil di Wilayah Kepulauan Riau
Bibliographic record
Abstract
Pulau-pulau terpencil dan terluar pada umumnya merupakan daerah terpencil, miskin, tidak berpenduduk dan jauh dari perhatian pemerintah. Angkutan laut yang ada saat ini baru dapat menghubungkan ibukota kecamatan dengan ibukota kabupaten, maupun ibukota provinsi, sedangkan pada tingkat desa masyarakat masih menggunakan speed boat dan perahu kecil yang disebut pompong. Oleh karena itu, diperlukan peran pemerintah pusat dan pemerintahan provinsi, kabupaten/kota dalam hal pemberian public service obligation, bahwa perlu dikembangkan layanan angkutan laut perintis yang menghubungkan antar desa dengan ibukota kecamatan, dengan kapasitas kapal yang disesuaikan dengan perkiraan jumlah penumpang yang ada. Penelitian ini bertujuan untuk menyusun konsep peningkatan pelayanan angkutan laut pada pulau-pulau terpencil di Provinsi Kepulauan Riau. Berdasarkan hasil analisis, dari 19 pulau terluar di Provinsi Kepulaun Riau hanya 4 pulau yang dihuni oleh penduduk dan 1 pulau sebagai pangkalan militer, yakni: Pulau Senoa berada di wilayah Kecamatan Bunguran Timur memiliki indeks konektivitas sebesar 0,05602221, Pulau Subi Kecil berada di wilayah Kecamatan Subi dengan indeks konektivitas sebesar 0,05602221, Pulau Karimun Kecil berada di Kecamatan Tebing dengan indeks konektivitas 0,02433643, dan Pulau Pelampung dan Pulau Nipah berada di Kota Batam, dengan indeks konektivitas 0,0000448.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.017 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".