Penyusunan Indeks Pembangunan Smart City Di Indonesia Tahun 2018
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Pembangunan di wilayah perkotaan membutuhkan manajemen kota untuk menyelesaikan permasalahan yang terjadi akibat dari tingginya pertumbuhan penduduk. Kompleksitas permasalahan pada wilayah perkotaan sangat bervariasi, diantaranya penurunan kualitas pelayanan publik, berkurangnya ketersediaan lahan permukiman, kemacetan di jalan raya, konsumsi energi yang berlebihan, penumpukan sampah, peningkatan angka kriminalitas, dan masalah-masalah sosial lainnya. Pembentukan Indeks Pembangunan Smart City (IPSC) dipandang mampu memberi solusi yang efektif dan efisien dalam mengurangi permasalahan kota yang ada. Tujuan penelitian ini adalah mengetahui gambaran umum dan mendapatkan faktor- faktor pembentuk IPSC, mendapatkan hasil pengukuran IPSC, mengkaji uncertainty analysis dan sensitivity analysis dari IPSC dan melihat hubungan antara IPSC dengan IPM, serta mendapatkan klasifikasi berdasarkan 5 kategori di Indonesia. Berdasarkan hasil analisis faktor, terdapat 6 faktor yang terbentuk dimana wilayah IPSC tertinggi dengan jumlah penduduk kurang dari 200.000 jiwa terdapat di Kota Madiun, wilayah IPSC tertinggi dengan jumlah penduduk antara 200.000 hingga 1.000.000 jiwa terdapat di Kota Yogyakarta dan wilayah IPSC tertinggi dengan jumlah penduduk di atas 1.000.000 jiwa terdapat di Kota Tangerang. Hasil uncertainty analysis dan sensitivity analysis menunjukkan bahwa IPSC yang terbentuk sudah cukup robust dan reliable. Secara umum, IPSC memiliki hubungan yang positif terhadap IPM. Pembentukan indeks ini diharapkan mampu mempermudah pemerintah daerah dan pemerintah pusat dalam mengkaji kebijakan mengenai pengalokasian dana agar pembangunan smart city yang diharapkan sesuai dengan kondisi yang ada.
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.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 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 it