Permodelan Value Uplift Dampak Pembangunan Infrastruktur
Bibliographic record
Abstract
Penelitian ini bertujuan untuk memetakan model kenaikan nilai lahan (value uplift) yang dipicu oleh pembangunan Tol Akses Balikpapan–Ibu Kota Nusantara (IKN), dengan fokus pada area sekitar interchange Karang Joang hingga Kawasan Industri Kariangau (KIK). Studi ini membandingkan kondisi tahun 2017, sebelum proyek tol dimulai, dengan tahun 2025 saat pembangunan telah mencapai sekitar 80%. Melalui metode Confirmatory Factor Analysis (CFA) untuk mereduksi variabel dan regresi stepwise untuk membentuk model prediktif, penelitian ini berhasil mengidentifikasi variabel-variabel yang berpengaruh signifikan terhadap harga lahan, yakni NJOP, Koefisien Lantai Bangunan (KLB), legalitas tata ruang, dan kedekatan terhadap jalan tol. Model yang dihasilkan memiliki nilai Adjusted R² sebesar 0,854, yang mengindikasikan bahwa kombinasi keempat variabel tersebut mampu menjelaskan 85,4% variasi harga lahan. Rata-rata peningkatan harga lahan antara tahun 2017 hingga 2025 mencapai 261%, dengan kenaikan maksimum hingga 481% di titik-titik tertentu. Proyeksi lanjutan hingga tahun 2033 mempertimbangkan pengaruh inflasi tahunan sebesar 3,03% untuk memprediksi dinamika harga lahan di kawasan strategis pembangunan. Hasil penelitian menyimpulkan bahwa faktor regulatif dan spasial memiliki peran dominan dalam pembentukan nilai lahan di sekitar koridor tol, dengan kontribusi tertinggi berasal dari variabel legalitas tata ruang dan kedekatan terhadap infrastruktur. Implikasi praksis dari temuan ini menunjukkan adanya peluang signifikan untuk optimalisasi pendapatan daerah melalui skema Land Value Capture (LVC), terutama melalui penyesuaian NJOP dan penerapan bonus zonasi. Hal ini sejalan dengan kebijakan nasional seperti UU No. 1 Tahun 2022 tentang HKPD dan Perpres No. 79 Tahun 2023 tentang Rencana Induk IKN, yang mendorong pemanfaatan kenaikan nilai lahan sebagai sumber pembiayaan pembangunan yang berkelanjutan dan berkeadilan.
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 | 0.012 | 0.037 |
| Meta-epidemiology (narrow) | 0.003 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.001 | 0.005 |
| Insufficient payload (model declined to judge) | 0.035 | 0.006 |
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".