QUARTER LIFE CRISIS SEBAGAI PEMBANGUN UNSUR NARATIF DALAM PENYUTRADARAAN FILM BER-GENRE ROAD MOVIE “KEPALA DUA”
Bibliographic record
Abstract
QUARTER LIFE CRISIS SEBAGAI PEMBANGUN UNSUR NARATIF DALAM PENYUTRADARAAN FILM BER-GENRE ROAD MOVIE “KEPALA DUA” (Anfasa Rafi Muhammad, 18148138), Tugas Akhir Karya S-1 Program Studi Film dan Televisi, Jurusan Seni Media Rekam, Fakultas Seni Rupa dan Desain, Institut Seni Indonesia (ISI) Surakarta. \nBadan Pusat Statistik (BPS) memproyeksikan jumlah penduduk Indonesia mencapai 275,77 juta jiwa pada 2022. Dari jumlah tersebut kelompok usia yang memiliki jumlah terbanyak adalah kelompok usia 20 – 29 tahun yaitu 44,95 Juta dengan rincian 20-24 sejumlah 22,49 juta penduduk dan 25 – 29 sejumlah 22,46 juta penduduk. Film Kepala Dua menggunakan isu Quarter Life Crisis yang merupakan sebuah kondisi krisis yang dihadapi oleh kelompok usia 20 tahun-an sebagai pembangun unsur naratifnya. Ide tersebut diwujudkan menggunakan pendekatan genre road movie. Genre road movie dipilih karena dianggap sesuai dan mampu untuk menggambarkan sebuah perjalanan hidup seseorang yang sedang berada di fase quarter life crisis. Road movie/Road Films disebut demikian karena menceritakan karakter yang selalu berpindah-pindah tempat dalam suatu perjalanan. Metode penciptaan pada film ini menggunakan tahap pra-produksi, produksi, dan paska-produksi. Proses penciptaan film Kepala Dua Melalui plot cerita yang digerakkan oleh dialog Film Kepala Dua berhasil menyajikan permasalahan yang sangat dekat dengan yang dirasakan pemuda di usia 20 tahun-an, terutama permasalahan antar kekasih.
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 | 0.000 | 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 | 0.005 | 0.002 |
| Open science | 0.000 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.066 | 0.007 |
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".