Relasi Aktor dalam Transformasi Pelabuhan Menuju Green Port (Studi Kasus: Pelabuhan Panjang)
Bibliographic record
Abstract
Konsep hijau merupakan salah satu cara untuk mengembangkan dan mengoperasikan bisnis pelabuhan untuk mengurangi kerusakan lingkungan. Hal ini selaras dengan tujuan SDG’s ke 13 yaitu mengambil tindakan cepat untuk mengatasi perubahan iklim. Sebagai bagian dari sistem transportasi, pelabuhan dapat memainkan peran penting dalam pembangunan ekonomi regional. Namun disisi lain, pelabuhan juga menyumkang pencemaran lingkungan melalui kegiatan transportasi maritime. Lampung Selatan memiliki pelabuhan internasional sebagai pintu gerbang ekonomi Pulau Sumatera, salah satunya kegiatan di Pelabuhan Panjang yang memberikan kontribusi yang cukup berarti bagi pendapatan kota. Selama periode 2000-2004, kontribusi nilai tambah pelabuhan sampai 2.5 persen dari total PDRB Kota Bandarlampung. Green port adalah tren terbaru pada pengembangan pelabuhan kontemporer. Green port merupakan pelabuhan yang komprehensif dan terintegrasi dalam hal sosial, faktor ekonomi, budaya, lingkungan dan lainnya. PT. Pelindo II Cabang Panjang sejak 2019 telah mencoba cara atau metode membenahi diri menuju green port dengan menyediakan infrastruktur pendukung. Namun sampai pada 2022 pelabuhan tersebut masih belum sepenuhnya hijau. Salah satu sebab kegagalan ini dari aspek peran antar aktor, sehingga perlu dikaji pada sudut pandang relasi aktor dalam transformasi pelabuhan hijau. Data yang dibutuhkan adalah data primer dan sekunder dengan pendekatan metode aktors. Metode analisis ini untuk mengetahui aktor utama dan kunci dalam pengembangan Pelabuhan. Hasil yang ditemui adalah relasi antar aktor sudah memiliki tugas dan fungsi yang jelas namun tidak ada partisipasi dari masyarakat sehingga transformasi tidak berjalan optimal. Rekomendasi yang ditawarkan adalah membentuk kolaborasi dengan partisipasi dari pemerintah, swasta dan masyarakat, tujuannya adalah sebagai monitoring terhadap pelaksanaan pelabuhan hijau.
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 | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.013 |
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; both teacher heads agree on what is shown here.
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".