KEBIJAKAN PEMERINTAH INDONESIA DALAM MENANGANI PEREKONOMIAN MASYARAKAT PADA KONDISI PANDEMI COVID-19
Notice bibliographique
Résumé
Sepanjang tahun 2020 dunia telah digemparkan dengan munculnya virus baru yang menjangkit dunia saat ini yaitu Coronaviruses (CoV). Virus tersebut memiliki nama ilmiah COVID-19. Pandemi COVID-19 juga memberikan dampak cukup besar terhadap investasi yang membuat masyarakat akan memilih untuk sangat hati-hati dalam membeli barang bahkan untuk melakukan investasi. Pemerintah juga menghimbau agar masyarakat menerapkan social distancing seperti work from home, dan beribadah dari rumah. Penelitian ini menggunakan teori analisis kebijakan untuk mengungkapkan kebijakan pemerintah dalam menangani perekonomian masyarakat. Penulisan artikel ini merupakan penelitian pustaka (library research) dengan metode kualitatif yang bersifat menjelaskan sesuatu berdasar pada data dan angka yang dinarasikan dalam kalimat. Hasil dari penelitian ini mendapatkan beragam kebijakan yang dilaksanakan oleh pemerintah sebagai upaya menekan penyebaran COVID-19, diantaranya adalah kebijakan preventif, promotif dan jaring pengaman sosial. Selain itu, pemerintah juga berupaya untuk meringankan perekonomian masyarakat akibat adanya pandemi COVID-19 dengan dibentuknya Program Keluarga Harapan, Bantuan Pangan Non-Tunai, Kartu Prakerja, Bantuan Subsidi Listrik. Pemerintah juga menganggarkan dana alokasi dan memberikan keringanan kredit untuk pekerja sektor informal dan pelaku UMKM.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,030 | 0,007 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».