Evaluasi Evaluasi Kelayakan Mutu Ruang Tahanan Di Satuan Kewilayahan Dalam Rangka Peningkatan Kualitas Pelayanan Publik Berbasis Hak Asasi Manusia
Bibliographic record
Abstract
Beranjak pada sebuah fenomena bahwa kelayakan mutu ruang tahanan masih menjadi persoalan, salah satunya pada aspek kelayakan mutu ruang tahanan khususnya menyangkut keamanan dan keselamatan. Mengambil contoh pada kasus kebakaran yang terjadi di Lembaga Pemasyarakatan (Lapas) Kelas I Tangerang (tribunnews.com, 8 September 2021) dimana dihuni oleh 122 tahanan dan telah menewaskan 49 tahanan saat terjadi kebakaran , merupakan fenomena yang terjadi pada ruang tahanan. Pada penelitian ini menggunakan pendekatan mixed-methode yaitu penggabungan metode kuantitatif dan metode kualitatif. Pendekatan ini dimaksudkan untuk mendapatkan masukan data yang berbeda dari teknik pengumpulannya guna ketajaman analisis data. Mixed- methode ini berisi penjabaran pertanyaan yang fokus terhadap pemenuhan standar HAM pada 2 (dua) aspek yaitu kelayakan mutu bangunan ruang tahanan dan kualitas sarana pelayanan publik di ruang tahanan. Berdasarkan pembahasan dan hasil analisa dapat disimpulkan secara keseluruhan kondisi ruang tahanan Polri pada 11 wilayah Polda masih dalam kondisi layak dimana keberadaan CCTV di ruang tahanan dan fasilitas air minum di ruang tahanan merupakan sarana pelayanan publik ruang tahanan yang layak kondisinya. Adapun rekomendasi yang didapat dari penelitian ini adalah 1). Perlunya perbaikan mengenai ketingian langit-langit dan ventilasi yang harus aman terhadap jangkauan tahanan, 2). perlu ada inovasi teknologi ruang tahanan cerdas untuk peningkatan pelayanan publik, 3). Perlu ada penambahan ruangan sementara untuk tahanan narkoba dan ruang terpisah untuk tahanan yang sakit menular, 4). harus ada secara terpisah dan ruangan tahanan yang bisa digunakan multi fungsi dalam kerangka memberikan jaminan perlindungan hak asasi tahanan.
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 | 0.020 | 0.022 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.038 | 0.009 |
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".