STRATEGI KEBIJAKAN PENINGKATAN SEKTOR TRANSPORTASI PUBLIK DI JAKARTA MENUJU NET ZERO EMISSION
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
Rata-rata tingkat polusi udara di Jakarta (PM2.5) Tahun 2017-2020 melebihi 3 kali lipat dari ambang batas konsentrasi yang direkomendasikan WHO. Hal ini mengakibatkan penduduk di Jakarta menderita masalah kesehatan dan penyakit gangguan pernafasan akibat kualitas udara buruk. Jakarta merupakan aglomerasi perkotaan terpadat kedua di dunia dengan jumlah penduduk sekitar 10 juta jiwa pada tahun 2020. Akibatnya, kebutuhan perjalanan dan pergerakan orang dan barang semakin meningkat baik dari dan ke Jakarta. Total emisi karbon dari kendaraan bermotor di Jakarta mencapai 81,17 juta kilogram CO2e. Hal ini disebabkan tingginya kendaraan bermotor yang berjumlah 20,22 juta kendaraan, jumlahnya sebanyak 2 (dua) kali lipat jumlah penduduk. Kurangnya pelayanan transportasi publik dalam menyediakan fasilitas sarana dan prasarana transportasi publik menyebabkan masyarakat masih memilih menggunakan kendaraan pribadi sebagai moda transportasi utama. Dukungan kebijakan yang sudah ada melalui sistem transportasi massal seperti BRT, Transjakarta, MRT Jakarta, dan LRT Jakarta, penyediaan kendaraan listrik, kebijakan pembatasan kendaraan seperti ganjil genap, penerapan Electronic Road Pricing (ERP), dan zonasi bebas emisi kendaraan terus diupayakan. Makalah ini bertujuan untuk menyusun rekomendasi kebijakan yang dapat diterapkan oleh pemerintah dan pemangku kepentingan terkait guna mendukung penurunan emisi kendaraan dan peningkatan kualitas udara di Jakarta
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) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.002 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.002 | 0.002 |
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