Studi Dan Evaluasi Operasional Pelayaran Perintis Di Indonesia
Bibliographic record
Abstract
Pelayanan transportasi keperintisan adalah sebagai unsur pendorong (promoting) menyediakan jasa transportasi yang efektif untuk menghubungkan daerah terisolasi dengan daerah berkembang yang berada di luar wilayahnya dan/atau luar negeri, sehingga terjadi pertumbuhan perekonomian yang sinergis. Selain itu, pelayanan kapal perintis tersebut diselenggarakan untuk mewujudkan fokus kerja Kementerian Perhubungan yaitu peningkatan keselamatan dan keamanan, peningkatan kualitas pelayanan, dan peningkatan kapasitas. Berdasarkan hasil analisis disparitas yang cukup tinggi terjadi di wilayah timur Indonesia antara lain di Tanah Bumbu, Kepulauan Anambas, Natuna, Tanjung Pinang, Bima, Ambon, Kepuluauan Aru, Maluku Barat Daya, Seram Bagian Barat, Tual, Halmahera Barat, Halmahera Selatan, Halmahera Tengah, Halmahera Timur, Halmahera Utara, Kepulauan Sula, Pulau Morotai, Pulau Taliabu, Ternate, Asmat, Boven Digul, Mappi, Merauke, dan Mimika. Disparitas tertinggi yaitu sebesar 114% terjadi pada tahun 2017 untuk bahan pokok di wilayah Maluku, tepatnya di Kepulauan Aru, Maluku Barat Daya, dan Tual. Dari sampel trayek yang diamati didapat bahwa rata-rata passenger factor untuk setiap voyage berada di rentang 1% hingga 13% saja dengan tingkat keterisian penumpang maksimum pada satu voyage sebesar 45.5%. Sementara, rata-rata load factor untuk setiap voyage berada di rentang 0.2% hingga 28% dengan tingkat keterisian barang maksimum pada satu voyage sebesar 103.5%. Berdasarkan identifikasi konektivitas antara trayek angkutan laut perintis dengan simpul pelabuhan tol laut, tampak bahwa masih ada ketimpangan konektivitas antara jaringan angkutan laut perintis dengan simpul pelabuhan tol laut. Konektivitas simpul pelabuhan tol laut dengan angkutan laut perintis paling tinggi ada di Pelabuhan Saumlaki, dengan 16 trayek terkoneksi dengan pelabuhan ini.
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 | 0.005 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
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".