MANAJEMEN DAN PENGURANGAN RISIKO BENCANA MELALUI PENGEMBANGAN DESA TANGGUH BENCANA (DESTANA)
Bibliographic record
Abstract
Bencana alam merupakan acaman besar bagi Indonesia. Selama tahun 2020, dilaporkan terjadi bencana sejumlah 2.939 kejadian di Indonesia. Kabupaten Magelang merupakan salah satu wilayah di provinsi Jawa Tengah yang memiliki tingkat risiko bencana yang tinggi. Kabupaten Magelang juga berada pada sesar tektonik yang berpotensi terjadi gempa bumi. Selain itu, aspek iklim juga menjadi ancaman bencana, pasalnya curah hujan yang dibarengi oleh aktivitas vulkanik maupun tektonik dapat memicu bencana tanah longsor dan banjir. Pengembangan Desa Tangguh Bencana (DESTANA) dapat dijadikan sebagai upaya pengurangan risiko bencana dengan berbasis pemberdayaan masyarakat. Kegiatan pengembangan DESTANA ini bertujuan untuk: 1). Menggambarkan risiko bencana di Kabupaten Magelang, 2). Menggambarkan kondisi masyarakat Kabupaten Magelang dalam Kesiapsiagaan Penanggulangan Bencana, 3). Mengembangkan model desa tangguh bencana dengan pendekatan Participatory Action Research di Kabupaten Magelang. Dalam implementasinya, program ini bekerjasama dengan Perkumpulan Keluarga Berencana Indonesia (PKBI) dan Badan Penanggulangan Bencana Daerah (BPBD) Kabupaten Magelang. Temuan penelitian menginformasikan pengembangan model DESTANA dalam upaya manajemen dan pengurangan risiko bencana di Kabupaten Magelang. Konsisten dengan pendekatan participatory action research, mereka yang paling berisiko terdampak bencana akan dilibatkan dalam semua fase penelitian termasuk desain awal, pengembangan penelitian alat dan proses, pengumpulan dan analisis data, desain dan implementasi intervensi, dan penyusunan program.
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) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.023 | 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; 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".