PENGARUH KUALITAS KELOMPOK DAN PEER MONITORING TERHADAP KINERJA PROGRAM KREDIT MIKRO
Bibliographic record
Abstract
Kredit mikro merupakan istilah untuk menyebutkan pinjaman yang satuan jumlahnya relatif kecil bempa uang tunai yang diberikan kepada pihak tertentu yang membutuhkan. Pihak yang memberikan pinjaman atau sering juga disebut dengan kreditur bisa berupa lembaga keuangan yang berupa bank, perusahaan pegadaian, koperasi atau lembaga-lembaga bukan keuangan yang mempunyai kepentingan untuk menyalurkan dana untuk tujuan tertentu. Sedangkan pihak yang meminjam atau sering juga disebut dengan debitur adalah pihak tertentu yang diberikan pinjaman sejumiah uang. Pihak yang meminjam inl sifatnya dapat perseorangan, beberapa orang yang tergabung dalam satu keiompok, lembaga, organisasi atau suatu badan hukum tertentu. Berbagai bentuk peminjam iniharus ada orang yang menjadi penanggung jawab atas pinjaman atau hutang yang didapatkan. Sampai saat ini telah banyak lembaga-lembaga di dunia yang telah menyalurkan pinjamannya melalui program kredit mikro, seperti Grameen Bank di Bangladesh. Grameen bank didirikan pada pertengahan tahun 1970 oieh DR Muhammad Yunus. Saat inl yang menjadi general manager di Grameen Bank adalah Muhammad Shahjahan. Jumlah nasabah yang terdiri dari orang-orang miskin yang diberdayakan melalui berbagai usaha saat ini di bank tersebut adalah sekitar 9,6 juta nasabah (Kompas, 21 Agustus 2010). Ini suatu perkembangan yang luar blasa dibandingkan dari jumlah nasabah pada tahun 2006 yang baru sekitar 2 juta orang (Abink, dkk, 2006). Kesuksesan program pemberian kredit mikro kepada masyarakat miskin dengan tanpa menggunakan jaminan ini telah memberikan inspirasi munculnya lembaga-lembaga yang meminjamkan kepada masyarakat miskin di beberapa negara seperti Bosnia, Rusia, Canada, Thailand, Indonesia, Paraguay dan masih banyak beberapa negara lainnya. Untuk memberikan gambaran dan sebagai perbandingai antara Program Kredit Mikro bagi masyarakat berpenghasilan rendah, miskin dan yang usahanya informal ini dengan bank konvensioani perlu kami sampaikan arti kredit, manfaat dan beberapa persyaratan yang diwajibkan oleh bank konvensional.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.003 | 0.009 |
| Insufficient payload (model declined to judge) | 0.002 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".