Strengthening disaster mitigation of mount Sinabung through the integration of local wisdom and social resilience: a participatory study in Karo Regency
Notice bibliographique
Résumé
This study aims to develop a disaster mitigation model for the eruption of Mount Sinabung based on the integration of local wisdom from the Karo community and social resilience theory. The recurring eruptions since 2010 have resulted in complex socio-ecological impacts, yet existing mitigation approaches have tended to be technocratic and lacked contextual relevance. This research employs a descriptive qualitative approach within a constructivist paradigm, relying on in-depth interviews, observation, documentation, and Focus Group Discussions (FGDs) as data collection techniques. Data analysis is conducted using the Miles, Huberman, and Saldana model, encompassing data reduction, presentation, and conclusion drawing. The main finding of this study is the formulation of the RiRi Model, which comprises four components: Respect (recognition of local knowledge), Initiation (active community participation), Runggun (optimization of traditional social networks), and Integration (collaboration between local and modern approaches). This model offers a more inclusive mitigation strategy, rooted in the cultural values of the Karo community, and capable of holistically strengthening community resilience. The study also reveals that local wisdom practices such as aron, runggu, and the use of jambur hold strategic potential as community-based disaster mitigation instruments. By synergizing social, cultural, and technical dimensions, the RiRi Model is expected to serve as an alternative framework for national disaster mitigation policy that is more adaptive, sustainable, and responsive to local contexts.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».