Penerapan Pendidikan Bencana dalam Membangun Kesiapsiagaan Sekolah Dasar dari Risiko Bencana
Bibliographic record
Abstract
Banjir yang seringkali melanda wilayah Kabupaten Demak Provinsi Jawa Tengah menyebabkan terhambatnya berbagai aktivitas masyarakat, salah satunya yaitu kegiatan yang ada pada lembaga pendidikan SDN Loireng yang berlokasi di Desa Loireng Kecamatan Sayung Kabupaten Demak. Sebagai Lembaga pendidikan yang berlokasi di daerah rawan bencana, SDN Loireng diharapkan mampu menerapkan Pendidikan Bencana di lingkungan sekolahnya. Penelitian ini bertujuan untuk melihat dan mendeskripsikan penerapan pendidikan bencana di SDN Loireng dalam membangun kesiapsiagaan warga sekolah dari risiko bencana. Metode yang digunakan dalam penelitian ini yaitu metode penelitian kualitatif dengan pendekatan studi kasus. Adapun teknik pengumpulan data dilakukan dengan wawancara mendalam, observasi dan dokumentasi, sedangkan teknik analisis data pada penelitian ini berupa analisis data kualitatif. Hasil penelitian ini berfokus pada pembahasan 5 indikator pendidikan bencana yang dilihat dari berbagai parameter sesuai dengan Pendidikan Bencana yang dikeluarkan oleh kemendikbud. Berdasarkan penelitian ini diperoleh hasil bahwa penerapan pendidikan bencana di SDN Loireng berdasarkan lima indikator tersebut sudah dilaksananan dengan keterlibatan dari sluruh warga sekolah. Namun, masih membutuhkan kerja sama dari seluruh pihak untuk terlaksananya pendidikan bencana di SDN Loireng yang lebih optimal sesuai dengan kurikulum pendidikan kebencanaan dari kementerian pendidikan dan kebudayaan.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 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) | 0.024 | 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".