PELATIHAN BUDIDAYA TEBU BAGI PETANI TEBU RAKYAT DI JAWA TIMUR
Notice bibliographique
Résumé
Tingkat produktivitas tebu di Indonesia, khususnya di Jawa Timur, masih relatif rendah akibat terbatasnya pemahaman teknis petani terkait budidaya yang sesuai dengan prinsip good agricultural practices (GAP). Kegiatan pengabdian ini bertujuan untuk meningkatkan literasi teknologi budidaya tebu bagi petani binaan Dinas Perkebunan Provinsi Jawa Timur melalui pendekatan penyuluhan kelas dan praktik lapangan. Pelatihan dilaksanakan pada tanggal 4-7 Mei 2024 di Pusat Penelitian Perkebunan Gula Indonesia (P3GI) Pasuruan dan melibatkan 26 petani dari Lumajang dan Situbondo. Evaluasi menggunakan kuesioner pra dan pasca-kegiatan menunjukkan peningkatan pemahaman peserta dari 55% menjadi 85%. Respons positif dari peserta juga ditunjukkan melalui minat untuk menerapkan teknik baru, seperti penggunaan varietas unggul dan pola pemupukan efisien. Tantangan utama yang diidentifikasi meliputi keterbatasan modal dan akses terhadap sarana produksi. Hasil kegiatan ini menunjukkan bahwa kombinasi penyampaian teori dan praktik langsung efektif dalam meningkatkan kapasitas teknis petani. Dukungan lanjutan dari pemerintah dan pemangku kepentingan lainnya sangat diperlukan untuk memastikan keberlanjutan adopsi inovasi di tingkat petani
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,005 |
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 ».