Pentingnya Intergrasi Transportasi Publik di Kota Surakarta Sebagai Kota Urbanisasi di Jawa Tengah
Bibliographic record
Abstract
Kota Surakarta, sebagai salah satu pusat urbanisasi di Jawa Tengah, menghadapi tantangan signifikan terkait mobilitas penduduk yang terus meningkat. Dalam upaya mengatasi permasalahan ini, integrasi transportasi publik menjadi hal yang sangat penting. Integrasi ini tidak hanya bertujuan untuk meningkatkan efisiensi mobilitas, tetapi juga untuk mendukung keberlanjutan kota dan mengurangi ketergantungan pada kendaraan pribadi yang menyebabkan kemacetan dan polusi udara. Penelitian ini menggunakan metode studi pustaka untuk mengkaji pentingnya integrasi transportasi publik di Surakarta dengan melihat dari berbagai perspektif, termasuk infrastruktur, kebijakan, serta peran pemerintah dalam pengelolaan transportasi. Hasil analisis menunjukkan bahwa meskipun beberapa upaya telah dilakukan oleh pemerintah untuk memperbaiki sistem transportasi, seperti pengembangan Bus Rapid Transit (BRT), integrasi antar moda transportasi masih belum optimal. Tantangan utama yang dihadapi antara lain adalah kurangnya koordinasi antar pemangku kepentingan, keterbatasan infrastruktur pendukung, serta rendahnya kesadaran masyarakat terhadap manfaat transportasi publik. Oleh karena itu, integrasi yang baik antara berbagai moda transportasi, seperti bus, angkot, dan transportasi berbasis online, sangat diperlukan untuk menciptakan sistem transportasi yang lebih efisien, ramah lingkungan, dan mampu memenuhi kebutuhan masyarakat urban yang terus berkembang. Penelitian ini juga menggarisbawahi perlunya kerjasama lintas sektor, baik antara pemerintah daerah, pemerintah pusat, maupun sektor swasta, dalam mendukung pengembangan sistem transportasi yang terintegrasi. Dengan adanya integrasi transportasi yang baik, Kota Surakarta dapat meminimalisir dampak negatif urbanisasi dan menciptakan mobilitas yang lebih inklusif serta berkelanjutan bagi seluruh lapisan masyarakat.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.030 | 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".