STRATEGI KEBIJAKAN SMART PORT BERBASIS IOT DAN BLOCKCHAIN UNTUK KETAHANAN PANGAN INDONESIA
Bibliographic record
Abstract
Ketahanan pangan nasional Indonesia sangat dipengaruhi oleh efisiensi dan keandalan sistem logistik, terutama mengingat kompleksitas geografis kepulauan yang luas. Pelabuhan, sebagai titik kunci dalam distribusi logistik, memiliki peran strategis dalam memastikan kelancaran arus pangan dari pusat produksi hingga ke konsumen akhir, terutama di daerah-daerah tertinggal, terdepan, dan terluar (3T). Namun, saat ini, sistem logistik pangan nasional masih menghadapi berbagai tantangan, seperti tingginya biaya logistik, waktu tunggu kapal yang lama, kurangnya integrasi sistem informasi, dan minimnya transparansi dalam rantai pasok. Untuk mengatasi masalah ini, artikel kebijakan ini mengusulkan strategi penerapan pelabuhan pintar (smart port) yang memanfaatkan teknologi Internet of Things (IoT) dan blockchain sebagai solusi yang transformatif. Teknologi ini memungkinkan pemantauan kondisi logistik secara real-time, pencatatan transaksi yang permanen dan transparan, serta integrasi data di antara berbagai pemangku kepentingan. Artikel ini menggunakan metode analisis SWOT yang dipadukan dengan data sekunder dari Kementerian Perhubungan, PT. Pelindo, BPS, dan Badan Pangan Nasional. Kajian ini juga memperhatikan kerentanan distribusi pangan di kawasan Indonesia timur dan menyelaraskan intervensi dengan agenda RPJMN 2025–2029 serta target SDGs. Rekomendasi kebijakan mencakup: penetapan regulasi nasional mengenai standar teknologi dan digitalisasi pelabuhan; pengembangan proyek percontohan pelabuhan pintar pangan; integrasi sistem logistik digital nasional; insentif fiskal untuk teknologi hijau pelabuhan; serta peningkatan kapasitas SDM dan konektivitas ke pelabuhan kecil. Dengan kebijakan yang tepat, pelabuhan di Indonesia tidak hanya akan menjadi lebih efisien dan kompetitif secara global, tetapi juga berfungsi sebagai tulang punggung ketahanan pangan nasional yang inklusif dan berkelanjutan
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 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 | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| 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 itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, 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".