IDENTIFIKASI TIPOLOGI LOKASI TAMBAK UDANG DI KABUPATEN PADANG PARIAMAN
Bibliographic record
Abstract
Tambak udang berkembang pesat sejak tahun 2018 di pesisir pantai Kabupaten Padang Pariaman tetapi umumnya tidak berijin. Penelitian ini ingin menilai penyimpangan lokasi tambak terhadap rencana tata ruang yang ditetapkan dalam RTRW Kabupaten Padang Pariaman 2020-2040 dan pelanggaran prosedur perijinan yang dilakukan. Metoda yang dipakai yaitu tumpang susun peta lokasi tambak dengan rencana pola ruang RTRW Kabupaten dengan hasil kesesuaian/ketidaksesuaian lokasi tambak. Selanjutnya diidentifikasi status perijinan tambak yang telah memiliki ijin dan tidak berijin. Dari penggabungan dua variabel ini diperoleh empat tipologi lokasi tambak. Penelitian ini menemukan lokasi tambak berada di tujuh jenis peruntukan lahan, enam terindikasi tidak sesuai peruntukannya. Tiga per empat dari 93 tambak yang terdapat di Kabupaten Padang Pariaman belum berijin. Setengah dari tambak yang tidak berijin berada pada lokasi yang tidak sesuai tetapi sebagian yang lain meskipun tidak berijin berada pada lokasi yang sesuai. Beberapa temuan ketidaksesuaian pemanfaatan ruang pada kawasan yang sudah berijin lebih banyak disebabkan faktor teknis akurasi penentuan jarak lokasi dari titik pasang tertinggi.
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 | 0.000 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 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 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".