Bibliographic record
Abstract
Komite Nasional Keselamatan Transportasi menyatakan bahwa 32 persen kasus kecelakaan penerbangan di Indonesia terjadi di bandar udara dan penyebab utama adalah karena licinnya landas pacu dan data dari ICAO menyatakan bahwa dari tahun 2006 sampai dengan 2012 kecelakaan penerbangan di bandar udara diseluruh dunia 59 persen diakibatkan karena landas pacu yang kurang memadai dan untuk mengatasi hal tersebut, Internasional Civil Aviation Organization (ICAO) mengeluarkan kebijakan tentang pembentukan runway safety team diseluruh bandar udara. Lokasi pengambilan data opini penumpang/ survei adalah di bandar udara Adi Sucipto Yogjakarta dari tanggal 12-14 Agustus 2013 dan metode yang digunakan dalam menganalisis data adalah dengan menggunakan analisis Deskriftif Kualitatif untuk menggambarkan hasil inventarisasi identifikasi bidang-bidang yang berhubungan dengan keselamatan penerbangan sedang analisis fish bone digunakan untuk mengetahui penyebab-penyebab utama dari kecelakaan penerbangan di landas pacu. Hasil dari analisis menunjukkan bahwa kecelakaan penerbangan di bandar udara bahwa 37 persen adalah karena landas pacu licin, bergelombang, tergenang air dan adanya rubber deposit (lapisan ban pesawat yang tersisa akibat kikisan landas pacu) dan sisanya diakibatkan oleh faktor manusia sebanyak 31 persen, faktor cuaca dan lingkungan sebesar 23 persen dan faktor management/peraturan sebesar 9 persen. Kata kunci : kecelakaan, penerbangan, landas pacu.
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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.041 | 0.009 |
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".