Analisis Dukungan Anggaran Belanja Produk Dalam Negeri (PDN) pada Pengadaan Barang dan Jasa di Pemerintah Kabupaten Bandung Barat
Bibliographic record
Abstract
Dukungan pemerintah dalam mewujudkan peningkatan penggunaan Produk Dalam Negeri (PDN) adalah dengan mengimplementasikan Instruksi Presiden Nomor 2 Tahun 2022. Tujuan dari penulisan artikel ini adalah untuk mengetahui dukungan anggaran pada belanja Produk Dalam Negeri (PDN) dalam pengadaan barang dan jasa di Pemerintah Kabupaten Bandung Barat setelah Instruksi Presiden Nomor 2 Tahun 2022 berlaku. Penelitian ini menggunakan metode kuantitatif yang kemudian dianalisis secara deskriptif. Hasil penelitian menunjukkan bahwa pengadaan barang dan jasa di Kabupaten Bandung Barat sudah memenuhi prasyarat Penggunaan PDN. Hal ini dapat ditunjukkan melalui 1. Peningkatan anggaran pengadaan barang dan jasa pada tahun 2022 yang semula 648,4 Milyar menjadi 765,7 Milyar pada tahun 2023, 2. Peningkatan perencanaan penggunaan Produk Dalam Negeri pada tahun 2022 yang semula 641,5 Miliar menjadi 757,2 Milyar di tahun 2023, 3. Penggunaan Produk Dalam Negeri yang semula berada pada nilai 53% pada tahun 2022 kemudian pada triwulan kedua Tahun 2023 baru mencapai 8%, nilai ini dipastikan akan meningkat pada triwulan keempat. Ketiga peningkatan ini semakin menguatkan komitmen pemerintah Kabupaten Bandung Barat dalam mendukung peningkatan dukungan anggaran belanja PDN pada pengadaan barang dan jasa dan secara tidak langsung mendorong sektor UMKM dan pengusaha lokal Bandung Barat dapat terus tumbuh dan berkembang
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 | 0.003 | 0.001 |
| Meta-epidemiology (narrow) | 0.002 | 0.003 |
| Meta-epidemiology (broad) | 0.004 | 0.002 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.003 | 0.001 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.001 | 0.004 |
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".