OPTIMALISASI PENGELOLAAN RUSUNAWA DI KOTA SEMARANG
Bibliographic record
Abstract
Rusunawa merupakah salah satu program untuk mengatasi permasalahan keterbatasan lahan dan ketidakmampuan MBR untuk menjangkau fasilitas hunian. Seiring dengan pembangunan rusunawa saat ini, terdapat beberapa permasalahan pasca pembangunan, salah satunya tentang pengelolaannya. Pengelolaan rusunawa di Kota Semarang secara umum sudah tidak sesuai lagi dengan tujuan penyediaan rusunawa, yaitu memberikan hunian yang layak, sehat, dan terjangkau untuk MBR. Ketidaksesuaian tersebut antara lain kondisi bangunan mulai rusak, kualitas lingkungan menurun dan terdapat pelanggaran terhadap sistem sewa maupun pemanfaatan bangunan. Salah satu faktor terjadinya permasalahan ketidaksesuaian tersebut yaitu belum optimalnya pengelola dalam menjalankan peran dan fungsinya. Oleh karena itu, tujuan penelitian ini adalah untuk menganalisis optimalisasi pengelolaan rusunawa di Kota Semarang. Metode penelitian yang digunakan adalah metode kuantitatif dengan menggunakan analisis skoring pembobotan. Responden pada penelitian ini berjumlah 28 yang merupakan ketua paguyuban pengelola rusunawa di Kota Semarang. Hasil penelitian menunjukkan bahwa pengelolaan rusunawa di Kota Semarang masih belum optimal berdasarkan peran dan fungsi masing-masing pengelola. Skor optimalisasi yang diperoleh yaitu Paguyuban (7,7), Disperkim (7,4), dan UPTD (6,4). Oleh karena itu, diperlukan peningkatan pengelolaan terhadap penghuni dan hunian rusunawa seperti (1) pemeliharaan dan perbaikan fasilitas, monitoring dan evaluasi target capaian pengelolaan, serta pembinaan dan pengawasan terkait kebersihan lingkungan oleh Disperkim; (2) Melakukan pembinaan terhadap penghuni dan hunian, menjalankan prosedur pengelolaan dan monitoring untuk mengurangi pelanggaran tata tertib oleh UPTD; (3) Melakukan pengorganisasian paguyuban dalam pengoperasionalan rusunawa agar memudahkan koordinasi antarpihak dalam mengatasi permasalahan dan meningkatkan kualitas rusunawa.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.023 | 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".