Analisa Perkerasan Jalan Kaku menggunakan Metode Bina Marga dan PCI (Studi Kasus: Jalan Majalengka-Rajagaluh)
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
Sebagai negara berkembang, Indonesia memerlukan jalan yang berkualitas dan memadai dalam jumlah untuk memenuhi kebutuhan masyarakat dalam menjalankan berbagai aktivitas ekonomi, baik untuk aksesibilitas maupun pergerakan barang dan jasa. Evaluasi yang akurat dapat mengidentifikasi jenis-jenis kerusakan seperti retakan, lubang, atau deformasi lainnya yang dapat mempengaruhi kinerja jalan. Pemeliharaan rutin dapat meliputi pengisian retakan dan perbaikan lubang, sementara pemeliharaan berkala mungkin melibatkan pelapisan ulang atau rekonstruksi sebagian. Tujuan dari pekerjaan ini adalah untuk mengetahui jenis kerusakan permukaan jalan pada Jalan Majalengka-Rajagaluh,. Jalan aspal Majalengka-Rajagaluh memiliki 1 lajur dan 2 lajur dengan total panjang 14,7 km (14.700 meter) dan lebar 7,5 meter. Jalan ini sering dilalui kendaraan seperti sepeda motor, minibus, mobil pick up, minibus, bus besar, dan truk dua gandar (roda 4). Perhitungan nilai keadaan berdasarkan observasi pengukuran kerusakan perkerasan jalan Kabupaten Majalengka ruas jalan Majalengka-Rajagaluh memakai metode Bina Marga menunjukkan angka prioritas 3. Oleh karena itu, jalan tersebut masuk dalam program perbaikan jalan. Perhitungan keadaan perkerasan berdasarkan PCI (Pavement Condition Index) memberikan hasil sebesar 16 yang tergolong sangat buruk. Oleh karena itu, nilai keadaan jalur adalah 8 menurut metode PCI.
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) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.004 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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