Strategi Kebijakan Penanganan Covid-19 dalam Pemulihan Ekonomi Daerah Propinsi Jawa Barat
Bibliographic record
Abstract
Strategi Pemerintah Propinsi Jawa Barat dalam penanganan Covid-19 terutama kaitannya dengan pemulihan ekonomi daerah Jawa barat menjadi isu yang relevan dan krusial saat ini.Mengingat Jawa barat sebagai kontributor terbesar dari sisi ekspor dari Januari – Desember 2020 yaitu sebesar 16.28%. Metode yang digunakan dalam tulisan ini adalah metode kualitatif ekplanatif dengan sumber data studi literatur, laporan mingguan komite penanganan Covid-19 Pemerintah Propinsi Jawa Barat, notulensi rapat, dan media daring yang kredibel . Kajian ini juga bertujuan untuk memberikan gambaran mengenai bagaimana strategi kebijakan penanganan Covid-19 dalam pemulihan ekonomi daerah Propinsi Jawa Barat. Beberapa strategi kebijakan dari hasil kajian diantaranya regulasi yang secara afirmatif mendukung dan menjadi payung hukum penanganan Covid-19 di Propinsi Jawa Barat yang dilakukan secara berkelanjutan dari tahun 2020 sampai dengan saat ini, serta adanya program percepatan penanganan Covid-19 yang dicanangkan Gubernur Jawa Barat di tahun 2021 guna makin mempercepat proses penanganan Covid-19. Beberapa program kebijakan dalam pemulihan ekonomi di tahun 2021 yakni program PUSPA (Puskesmas Terpadu dan Juara) dengan rencana lokasi implementasi di 100 puskesmas di 12 Kabupaten/Kota dan program petani milenial. Strategi kebijakan penanganan Covid-19 dalam rangka pemulihan ekonomi menggunakan model pentahelik merupakan strategi unggulan yang dilakukan pemerintah Jawa Barat berbasis kolaborasi, koordinasi dan hubungan interaksi antar aktor kebijakan. Model pentahelik didukung oleh temuan baru dalan kajian ini yakni kepemimpinan yang aspiratif dan dari unsur kelembagaan dengan dibentuknya Satgas Covid di tingkat Propinsi maupun Kabupaten Kota di Jawa Barat.
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 | 0.004 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.039 | 0.009 |
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".