PERENCANAAN DAN PEMENUHAN ENERGI LISTRIK DI KOTA SALATIGA
Bibliographic record
Abstract
Abstrak Kebutuhan energi listrik berkembang dengan pesat seiring dengan perkembangan teknologi di indonesia. Kenaikan yang signifikan terjadi pada setiap tahunnya disebabkan oleh adanya factor ekonomi dan bertambahnya populasi penduduk. Oleh karena itu, dibutuhkan perencanaan pemenuhan kebutuhan listrik dalam jangka waktu beberapa tahun kedepan untuk mengantisispasi tidak adanya ketersedian energi listrik. Tugas penelitian ini dibuat untuk mengetahui kebutuhan serta stok energi listrik yang terdapat pada tiga tahun terakhir yakni tahun 2015 sampai dengan 2017. Sebagai proses proyeksi penelitian ini perangkat lunak yang digunakan adalah LEAP (Long-range Energi Alternative Planning). Metode yang digunakan dalam penelitian kali ini adalah metode end use, metode end use adalah perhitungan secara rinci tenaga listrik untuk setiap pelanggan yang dihitung berdasarkan data dan analisa penggunaan akhir pada setiap sector pemakai energi listrik. Sasaran yang akan diproyeksikan adalah Jumlah pelanggan energi listrik, dan konsumsi (KWh) energi listrik di kota salatiga yang beberapa tahun terakhir ini mengalami kenaikan yang lumayan stabil. Pada tahun 2015 terdapat 67.938,00 pengguna energi listrik dengan jumlah 36.135.734,00 KWh cenderung lebih sedikit dibandingkan dengan pada tahun 2016 dengan 107.822.461,00KWh dan 70.828,00 pengguna. Dan pada 2017 memiliki tingkat kenaikan yang tinggi dengan nilai pengguna baru sebanyak 73.969,00 dan KWh sebesar 126.934.190,00. Kata Kunci: kebutuhan, pengguna, listrik.
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 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.093 | 0.026 |
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".