IDENTIFIKASI BENTUK STRUKTUR RUANG KOTA BATUIDENTIFIKASI BENTUK STRUKTUR RUANG KOTA BATU
Bibliographic record
Abstract
Pertumbuhan jumlah penduduk di Kota Batu terus meningkat sebesar 0,83% atau sekitar 1.678 pada tahun 2016 ke 2017. Peningkatan ini menyebabkan peningkatan kebutuhan ruang yang dibuktikan dalam Kota Batu Data dengan adanya perubahan fungsi guna lahan dari yang semula lahan pertanian menjadi lahan non pertanian seperti perumahan dan sarana guna memenuhi kebutuhan penduduk sebesar 10.169 Ha berdasarkan data Kota Batu Dalam Angka Tahun 2017. Adanya perubahan jumlah penduduk dan perubahan penggunaan lahan dapat menyebabkan perubahan bentuk struktur ruang. Penelitian ini bertujuan untuk mengidentifikasi bentuk struktur ruang Kota Batu. Analisis yang digunakan dalam penelitian dalam identifikasi bentuk struktur ruang adalah kepadatan penduduk, kepadatan bangunan, kepadatan jaringan jalan, indeks sentralitas, indeks beta, indeks entropi, Koefisien Dasar Bangunan (KDB) dan Koefisien Lantai Bangunan (KLB). Sedangkan analisis untuk identifikasi pola pergerakan adalah analisis MAT yang digambarkan melalui gambar desire line. Hasil identifikasi bentuk struktur ruang Kota Batu merupakan bentuk monosentris dengan 1 pusat pelayanan di Zona 1, 2 sub pusat di zona 3 dan 9, serta zona lain merupakan sub-sub pusat.
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 | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.017 | 0.005 |
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".