Menggali Karakteristik Pecinan dalam Menjaga Nilai-Nilai Signifikansi Kawasan Cagar Budaya
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
Rencana pelestarian saat ini mengevaluasi kontribusi warisan berwujud dan tidak berwujud dengan pendekatan berbasis nilai (atau signifikansi). Studi nilai signifikansi membantu menentukan karakteristik pada kawasan yang dapat diprioritaskan sehingga mempertahankan autentisitas kawasan cagar budaya. Penelitian ini bertujuan untuk menganalisis karakteristik kawasan yang paling signifikan dalam perannya membantu melestarikan nilai-nilai cagar budaya. Penelitian mengambil lokasi di Pecinan Semarang yang merupakan salah satu Kawasan Cagar Budaya dan memiliki nilai-nilai warisan budaya, baik berwujud (tangible) maupun tidak berwujud (intangible). Beberapa penelitian telah melakukan studi terkait karakteristik Pecinan, namun belum ada analisis komprehensif yang mengintegrasikan kaitan antara nilai-nilai signifikansi dengan elemen karakter dalam konteks kawasan cagar budaya. Penelitian ini menggunakan metode kualitatif deskriptif, dengan pendekatan deduktif yaitu menggunakan studi literatur sebagai dasar dan pengamatan langsung ke objek penelitian. Hasil penelitian menunjukkan bahwa elemen karakter yang mewakilkan nilai-nilai di Kawasan Pecinan adalah penggunaan dan fungsi, gaya arsitektur bangunan, kualitas ruang luar dan lanskap, dan elemen identitas. Studi juga menemukan bahwa masing-masing koridor gang di Pecinan memiliki keistimewaan karakter tersendiri, yang perlu ditemukenali sebagai acuan dalam menyusun strategi pelestarian kawasan.
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) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 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 it