CLUSTERING SEGMENTASI PASAR PENERBANGAN BANDARA HUSEIN SASTRANEGARA – BANDUNG MENGGUNAKAN INFORMASI PENERBANGAN
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
Peralihan fungsi Bandara Husein Sastranegara-Bandung ke Bandara Kertajati-Majalengka diharapkan dapat mengakomodir pergerakan transportasi udara di Provinsi Jawa Barat. Tujuan penelitian untuk mengetahui segmentasi pasar penerbangan di Bandara Husein Sastranegara-Bandung menggunakan informasi penerbangan agar memudahkan calon maskapai dalam perencanaan penerbangannya di Kertajati. Segmentasi pasar menggunakan metode clustering K-Means dengan data informasi penerbangan tahun 2017 – 2021. Data informasi penerbangan yang digunakan berasal dari statistik transportasi udara BPS, merupakan data kuantatif diantaranya data bandara asal dan tujuan yang dari atau menuju Bandara Husein Sastranegara-Bandung, data pergerakan penumpang dan kargo (kg) dari tiap – tiap rute penerbangan tersedia dalam kurun wakti 2017 – 2021. Hasil clustering menunjukan segmentasi pasar penerbangan keberangkatan dari Bandung memiliki 4 cluster segmentasi pasar, dan 3 cluster untuk tujuan Bandung. Terdapat perbedaan destinasi asal dan tujuan keluar atau menuju Bandung pada kasus keberangkatan dan kedatangan. Dominasi daerah asal atau tujuan diminati pada keberangkatan dan kedatanagn ialah Semarang. Cluster keberangkatan terbanyak menuju Kualanamu dengan rata – rata 310.218 penumpang dan 3.022.091,2 kg kargo di rute tersebut. Cluster kedatangan diminati asal Jakarta (Halim Perdanakusuma) dengan rata – rata 238.613 penumpang dan kargo yang diangkut sebanyak 692.964,14 kg terbang di rute ini.
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 | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.001 | 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