Analisis Kerugian Ekonomi Pada Lahan Gambut di Kecamatan Pusako, dan Kecamatan Dayun, Kabupaten Siak, Provinsi Riau
Bibliographic record
Abstract
Kebakaran areal lahan gambut yang terjadi di Provinsi Riau dipicu oleh tindakan yang disengaja. Pembakaran lahan adalah cara yang mudah dan murah yang dilakukan masyarakat untuk mempersiapkan lahan yang akan dimanfaatkan. Penelitian ini ingin melihat dampak ekonomi akibat kebakaran pada areal lahan gambut dari sisi masyarakat, sebab masyarakat terkena dampak dan memiliki potensi sebagai pelaku pembakaran. Lokasi penelitian dilakukan di Kecamatan Pusako, dan Kecamatan Dayun, Kabupaten Siak, Provinsi Riau. Tujuan penelitian ini adalah: (1) Mengestimasi dampak ekonomi masyarakat akibat kebakaran lahan gambut; (2) Menganalisis faktor pendorong masyarakat melakukan kegiatan land clearing dengan cara membakar. Metode yang digunakan dalam penelitian adalah Cost of Illness, Loss of Earnings, Preventive Expenditure, dan Analisis Deskriptif. Total kerugian ekonomi akibat kebakaran pada areal lahan gambut Tahun 2015 yang dialami oleh kepala keluarga di Kecamatan Dayun sebesar Rp. 31.393.786.212,00 atau sebesar Rp. 4.607.924,00/KK dengan jumlah kepala keluarga 6.813 KK dan luas lahan yang terbakar 742,5 ha. Total kerugian ekonomi di Kecamatan Pusako sebesar Rp. 4.330.577.040,00 atau sebesar Rp. 2.392.584,00/KK dengan jumlah kepala keluarga 1.810 KK dan luas lahan yang terbakar 199,5 ha. Faktor pendorong masyarakat melakukan kegiatan pembukaan lahan dengan cara membakar adalah faktor ekonomi dan social. Faktor ekonomi yaitu biaya pembukaan lahan yang murah, dan waktu pembukaan lahan yang cepat, sedangkan faktor sosial yaitu jenis pekerjaan masyarakat yang didominasi pada sektor perkebunan kelapa sawit, dan pengaruh dari konflik antar aktor, baik sesama masyarakat, masyarakat dengan perusahaan, maupun masyarakat dengan penegak hukum.Kata kunci: kebakaran lahan gambut, dampak kebakaran lahan gambut, faktor pemicu kebakaran, kerugian ekonomi
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
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".