Peta Tangguh: Pengetahuan Kapasitas Komunitas Desa Tandassura melalui Pemetaan Patisipasif Zona Resiko Banjir untuk Perencanaan Tata Lahan Adaptif
Bibliographic record
Abstract
Pembuatan peta partisipatif merupakan pendekatan kolaboratif yang melibatkan masyarakat secara langsung dalam proses pemetaan wilayahnya. Metode ini tidak hanya menghasilkan representasi spasial yang lebih akurat, tetapi juga memperkuat kapasitas masyarakat dalam memahami potensi ancaman, kerentanan, dan sumber daya yang dimiliki. Dalam konteks pengelolaan risiko bencana banjir di desa Tandassura, kecamatan Limboro, kabupaten Polewali Mandar, peta partisipatif digunakan untuk mengidentifikasi variasi tingkat ancaman, kerentanan sosial, ekonomi, fisik, dan lingkungan, serta kapasitas komunitas dalam menghadapi bencana. Melalui diskusi kelompok, survei lapangan, dan metode overlay dengan sistem informasi geografis (SIG), diperoleh informasi yang lebih kaya karena mencakup pengetahuan masyarakat lokal. Hasil pemetaan menunjukkan adanya perbedaan tingkat risiko antar-dusun, di mana dusun Tandassura memiliki risiko lebih tinggi dibandingkan dusun-dusun Lembang dan Lewukang. Temuan ini menekankan pentingnya peta partisipatif sebagai alat mitigasi, perencanaan pembangunan desa, serta dasar kebijakan pengurangan risiko bencana. Dengan demikian, pembuatan peta partisipatif tidak hanya berfungsi sebagai media visualisasi spasial, tetapi juga sebagai sarana pemberdayaan masyarakat dalam mewujudkan desa tangguh bencana.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.025 | 0.004 |
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".