KEBIJAKAN REKLAMASI PULAU "G" DAN DAMPAK TERHADAP EKONOMI MASYARAKAT SEKITAR WILAYAH REKLAMASI
Bibliographic record
Abstract
Indonesia sebagai negara kepulauan dan negara maritim yang mempunyai garis pantai terpanjang kedua di dunia setelah Canada dan keanekaragaman hayati pesisir dan laut terbesar di dunia. Indonesia memiliki 13.466 pulau dan luas daratan 5,8 juta km termasuk 95.181 garis pantai. Desakan akan besarnya kebutuhan lahan untuk kegiatan pembangunan terutama di kawasan-kawasan yang akan berubah menuju kawasan perkotaan pada saat sekarang ini mengalami peningkatan sangat pesat. Salah satunya dilakukan melalui kebijakan yang dikenal dengan istilah reklamasi. Reklamasi merupakan kegiatan yang dilakukan oleh orang dalam rangka meningkatkan manfaat sumber daya lahan ditinjau dari sudut lingkungan dan sosial ekonomi dengan cara pengurugan, pengeringan lahan, atau drainase. Rencana pengembangan lahan baru Kawasan Pantura DKI Jakarta direncanakan melalui pembangunan pulau-pulau hasil reklamasi di perairan Teluk Jakarta. Teluk Jakarta merupakan kawasan perairan yang kaya akan hasil lautnya dan merupakan tempat penting bagi masyarakat pesisir utara Jakarta yang mata pencahariannya adalah nelayan. Perencanaan pengembangan lahan baru dalam bentuk pulau tersebut didasarkan pada kebijakan dan peraturan-perundangan yang berlaku, tingkat keamanan (safety factors) yang harus dipenuhi, dan berbagai implikasi terhadap kondisi lingkungan di sekitarnya. Dibutuhkan sebuah kebijakan yang bersifat efisien untuk mengatasi konflik reklamasi pantai utara Jakarta. Kebijakan yang bersifat efisien tersebut harus dilakukan demi menjaga integrasi bangsa. Suatu kebijakan dapat dikatakan efisien jika manfaat bersih (total manfaat-total biaya) lebih besar dari nol (Herlina & Nadiroh, 2018). Reklamasi sudah pasti akan menimbulkan dampak sosial dan dampak ekonomi bagi penduduk sekitar wilayah reklamasi.
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.028 | 0.006 |
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".