Peran Regulasi Pemerintah Dalam Pengelolaan Risiko Bencana: Evaluasi Atas Kebijakan Peraturan Daerah Dalam Pengurangan Risiko Bencana Tsunami di Kota Ambon
Bibliographic record
Abstract
Regulasi pemerintah yang efektif dianggap sebagai kunci dalam manajemen risiko bencana. Regulasi yang efektif dapat menciptakan kepastian dalam kesiapsiagaan menghadapi bencana tak terduga seperti tsunami. Namun, keberadaan regulasi tidak selalu diikuti dengan implementasi yang efektif. Masalah ini juga terjadi pada penilaian risiko bencana di Kota Ambon yang termasuk dalam kelas bahaya tsunami tinggi. Pemerintah Kota Ambon melakukan upaya pengurangan risiko bencana (PRB) tsunami dengan menerbitkan kebijakan berupa peraturan daerah. Akan tetapi, efektivitas dari regulasi ini masih perlu dievaluasi. Penelitian ini bertujuan untuk mengidentifikasi dan menganalisis peluang perbaikan kebijakan peraturan daerah terkait PRB tsunami di Kota Ambon. Penelitian dilakukan dengan mengumpulkan data primer melalui Focus Group Discussion (FGD), serta data sekunder dari studi literatur dan tinjauan regulasi yang telah diterbitkan oleh Pemerintah Kota Ambon. Analisis data dilakukan menggunakan analisis konten dan analisis SWOT. Hasil penelitian menunjukkan bahwa terdapat dua aspek kebijakan peraturan daerah terkait PRB tsunami di Kota Ambon, yaitu aspek tata ruang dan kelembagaan. Pemerintah Kota Ambon telah menerbitkan beberapa kebijakan peraturan daerah terkait PRB tsunami yang mencakup perencanaan tata ruang dan kelembagaan. Akan tetapi, masih terdapat peluang perbaikan yang dapat dilakukan untuk memperkuat kebijakan peraturan daerah terkait PRB tsunami di Kota Ambon. Studi ini menyoroti pentingnya berbagai tindakan untuk menciptakan regulasi yang efektif dalam manajemen risiko bencana, termasuk pendidikan, pengawasan, dan penegakan hukum di bidang pemanfaatan ruang serta penguatan struktur kelembagaan Badan Penanggulangan Bencana Daerah.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 0.002 |
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".