KAJIAN PENGARUH PERUBAHAN LAHAN TERHADAP BENCANA BANJIR DI KECAMATAN MANGGALA KOTA MAKASSAR
Bibliographic record
Abstract
Kawasan Perkotaan selalu mengalami perkembangan penduduk yang sangat pesat. Perkembangan ini berbanding lurus dengan kebutuhan terhadap lahan untuk perumahan, pembangunan sarana dan prasarana serta penunjang lainnya sehingga pembangunan terjadi secara terus menerus. Akibat dari pembangunan ini dapat berpotensi terjadi alih fungsi lahan sehingga daerah resapan air menjadi berkurang dan menyebabkan bencana banjir. Kota Makassar mengalami perkembangan yang sangat pesat dimana dalam waktu 8 tahun perkembangan lahan terbangun sebanyak 17%. Perkembangan ini sejalan dengan terjadinya bencana banjir setiap tahunnya. Salah satu wilayah yang mengalami perkembangan pertumbuhan lahan terbangun dengan pesat dan banjir paling parah adalah Kecamatan Manggala. Penelitian ini bertujuan: 1) Mengidentifikasi perubahan lahan di Kecamatan Manggala tahun 2013 sampai tahun 2023; 2) Menganalisis dampak perubahan lahan terhadap wilayah yang berpotensi terjadi bencana banjir di Kecamatan Manggala. Metode analisis yang digunakan dengan menggunakan analisis deskriptif untuk mengidentifikasi pemanfaatan lahan pada tahun 2013-2023 dengan menggunakan interpretasi foto citra udara dan analisis spasial dengan menggunakan aplikasi Geographic Information System (GIS) untuk mengetahui potensi banjir akibat pemanfaatan lahan. Hasil dari penelitian ini menunjukkan adanya peningkatan yang sangat pesat untuk pemanfaatan lahan terbangun yang berkembang dari 6,8% menjadi 95,4%. Hal ini sejalan dengan pertumbuhan wilayah yang rawan terhadap bencana banjir.
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) | 0.000 | 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) | 0.022 | 0.003 |
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".