Analisis Dukungan Anggaran Belanja Produk Dalam Negeri (PDN) pada Pengadaan Barang dan Jasa di Pemerintah Kabupaten Bandung Barat
Notice bibliographique
Résumé
Dukungan pemerintah dalam mewujudkan peningkatan penggunaan Produk Dalam Negeri (PDN) adalah dengan mengimplementasikan Instruksi Presiden Nomor 2 Tahun 2022. Tujuan dari penulisan artikel ini adalah untuk mengetahui dukungan anggaran pada belanja Produk Dalam Negeri (PDN) dalam pengadaan barang dan jasa di Pemerintah Kabupaten Bandung Barat setelah Instruksi Presiden Nomor 2 Tahun 2022 berlaku. Penelitian ini menggunakan metode kuantitatif yang kemudian dianalisis secara deskriptif. Hasil penelitian menunjukkan bahwa pengadaan barang dan jasa di Kabupaten Bandung Barat sudah memenuhi prasyarat Penggunaan PDN. Hal ini dapat ditunjukkan melalui 1. Peningkatan anggaran pengadaan barang dan jasa pada tahun 2022 yang semula 648,4 Milyar menjadi 765,7 Milyar pada tahun 2023, 2. Peningkatan perencanaan penggunaan Produk Dalam Negeri pada tahun 2022 yang semula 641,5 Miliar menjadi 757,2 Milyar di tahun 2023, 3. Penggunaan Produk Dalam Negeri yang semula berada pada nilai 53% pada tahun 2022 kemudian pada triwulan kedua Tahun 2023 baru mencapai 8%, nilai ini dipastikan akan meningkat pada triwulan keempat. Ketiga peningkatan ini semakin menguatkan komitmen pemerintah Kabupaten Bandung Barat dalam mendukung peningkatan dukungan anggaran belanja PDN pada pengadaan barang dan jasa dan secara tidak langsung mendorong sektor UMKM dan pengusaha lokal Bandung Barat dapat terus tumbuh dan berkembang
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,003 |
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 ».