Faktor faktor penghambat penerapan teknologi building information modelling pada tahap perencanaan proyek jalan tol
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
Teknologi Building Information Modelling (BIM) saat ini telah menjadi salah satu teknologi terbaru dalam dunia konstruksi. Melalui SE Bina Marga nomor 11/SE/Db/2021 Pemerintah telah mewajibkan menerapkan BIM di sektor infrastruktur diantaranya proyek infrastruktur Jalan Tol. Berdasarkan hasil mapping yang telah dilakukan oleh peneliti dari sumber data BPJT Kementerian PUPR, proyek Jalan Tol yang telah memulai untuk menerapkan Building Information Modelling pada tahap perencanaan masih sangatlah sedikit. Penelitian ini bertujuan untuk mengetahui variabel variabel yang menjadi penghambat proses penerapan BIM pada tahap perencanaan proyek Jalan Tol yang dilakukan oleh Konsultan Perencana. Berdasarkan hasil analisis yang dilakukan menggunakan regresi linear berganda, didapatkan hasil penelitian bahwa salah satu faktor penghambat utama dalam penggunaan BIM pada tahap perencanaan antara lain faktor budaya Perusahaan dengan indikator permasalahan kurangnya dorongan dari atasan untuk melakukan penerapan BIM, kurangnya apresiasi dari Perusahaan atas pencapaian kinerja karyawan yang telah memberikan kontribusi dalam penerapan BIM, arah tujuan Perusahaan yang belum jelas dalam penerapan BIM, dan keengganan Perusahaan untuk melakukan transisi budaya kerja dari metode konvensional ke metode BIM
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 | 0.004 | 0.001 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.005 | 0.001 |
| Scholarly communication | 0.002 | 0.009 |
| Open science | 0.008 | 0.006 |
| Research integrity | 0.001 | 0.005 |
| Insufficient payload (model declined to judge) | 0.000 | 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