Bibliographic record
Abstract
Penelitian ini bertujuan untuk menganalisis implementasi Peraturan Menteri Agraria dan Tata Ruang/ Kepala BPN RI Nomor 5 tahun 2017, kesiapan data pertanahan dan strategi penyiapan data pertanahan menuju pelayanan elektronik. Metode yang digunakan adalah kombinasi deskriptif kualitatif dan kuantitatif. Kondisi kesiapan data pertanahan disajikan secara kuantitatif, sedangkan implementasi kebijakan dan strategi penyiapan data pertanahan menuju pelayanan online dilakukan secara kualitatif. Penelitian dilakukan di DKI Jakarta, Jawa Barat, Kalimantan Selatan, Riau, Jawa Timur Sulawesi Barat dan Maluku yang terpilih secara purposive sampling berdasarkan pertimbangan mewakili pulau besar, serta kelas tinggi, sedang dan rendah dari provinsi dengan data tanah terdaftar dan tanah terdaftar yang valid. Penelitian menemukan bahwa: 1) Peraturan Menteri Agraria dan Tata Ruang/ Kepala BPN RI Nomor 5 tahun 2017 tentang Layanan Informasi Pertanahan Secara Elektronik belum terimplementasi secara keseluruhan. Implementasi peraturan tersebut terhambat oleh isi dalam peraturan yang belum selaras dengan peraturan lain yang mengatur hal yang sama. Minimnya sosialisasi, komunikasi dan sumberdaya terkait implementasi peraturan membuat banyak Kantor Pertanahan cenderung kurang peduli terhadap adanya program pelayanan online, walaupun ada juga Kantor Pertanahan yang bertindak selaras dengan substansi pelayanan online; 2) Rata-rata kelengkapan data digital di lokasi sampel adalah sebesar 58,15%, dengan rincian persentase buku tanah digital tekstual (terdapat di KKP) sebesar 99,02%, buku tanah digital raster 12,77%, kualitas data baik (KW 1 dan KW 2) sebesar 71,98%, dan buku tanah digital yang telah valid sebesar 48,84%. Buku tanah yang sudah divalidasi di KKP setelah diperiksa kembali ditemukan kesesuaian rata-rata 75,02%. Akurasi data spasial rata-rata sebesar 89,55%, yang berarti bahwa tumpang tindih bidang yang terdapat di lokasi sampel sebesar 10,45%; dan 3) strategi penyiapan data pertanahan menuju pelayanan elektronik yang dapat dilakukan adalah sebagai berikut: (a) penguatan payung hukum aplikasi layanan pertanahan; (b) perubahan pola pikir pegawai; (c) perbaikan kualitas data dengan petunjuk teknis yang menyederhanakan alur proses dan daftar isian; (d) perluasan kewenangan pejabat fungsional; serta (5) perbaikan data melalui partisipasi masyarakat.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.008 | 0.007 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.083 | 0.024 |
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".