ANALISIS EFEKTIVITAS LKMA \nDALAM MENDUKUNG PERMODALAN PETANI DAN \nFAKTOR– FAKTOR YANG MEMPENGARUHI EFEKTIVITAS \nDI KABUPATEN LIMAPULUH KOTA
Notice bibliographique
Résumé
Lembaga Keuangan Mikro Agribisnis (LKMA) yang didukung oleh pemerintah diharapkan dapat membantu petani kecil yang selalu butuh kredit untuk modal kerja. Namun kenyataannya tidak semua LKMA yang dimanfaatkan oleh petani. Lalu seberapa efektif LKMA dalam upaya memenuhi kebutuhan sektor pertanian? Penelitian ini mengukur efektifitas LKMA dan faktor-faktor yang mempengaruhi efektivitas LKMA. Penelitian ini menggunakan metode survei yang melibatkan 30 LKMA dan 30 petani sebagai unit analisis. Data dianalisis dengan deskriptif kuantitatif dan regresi linier berganda. \nHasil analisis menunjukkan rata-rata yang cukup tinggi untuk ukuran efektivitas mengenai proporsi jumlah nasabah petani yang dilayani LKMA yaitu 82 persen yang termasuk kategori efektif. Sementara dari sisi modal kredit petani yang berasal dari LKMA hanya sebesar 66 persen yang termasuk kategori cukup efektif. Kemudian juga dilakukan analisis multivariat yang menggunakan model regresi linier berganda untuk megidentifikasi faktor-faktor yang mempengaruhi kedua ukuran tersebut. Hasilnya menunjukkan bahwa efektivitas LKMA mengenai jumlah nasabah petani yang dilayani LKMA secara signifikan ditentukan oleh faktor aset LKMA, modal LKMA, kredit macet, modal dari sumber lain, dan pembiayaan. Sementara itu untuk ukuran efektifitas mengenai modal petani yang dilayani LKMA ditentukan oleh karakteristik petani seperti luas lahan usahatani padi sawah, lama menjadi nasabah LKMA, pendapatan usahatani, pendapatan diluar usahatani, jumlah tabungan, jangka waktu angsuran, kredit macet, sumber pinjaman lain dan tingkat perkembangan LKMA sedangkan faktor seperti jumlah tingkat pendidikan, tingkat suku bunga pinjaman, dan agunan tidak berpengaruh signifikan. Untuk ukuran efektivitas kedua, perlu dicatat bahwa agunan tidak berpengaruh signifikan terhadap besarnya pembiayaan yang akan diberikan kepada nasabah petani, karena sebagian besar petani yang dapat pembiayaan adalah petani dengan karakteristik baik. \n \n \nKata kunci: Lembaga Keuangan Mikro, Petani kecil dan Efektivitas
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 | 0,002 | 0,002 |
| 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 | 0,002 | 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) | 0,013 | 0,002 |
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 ».