MENUJU HAJI YANG EFISIEN DAN BERKEADILAN: OPTIMALISASI SISTEM PENDAFTARAN DAN PENGELOLAAN WAITING LIST JEMAAH HAJI DI JAWA BARAT
Bibliographic record
Abstract
Pelaksanaan ibadah haji merupakan rukun Islam kelima yang diimpikan dan didambakan oleh setiap umat Muslim di seluruh dunia. Di Indonesia, antusiasme untuk menunaikan ibadah haji sangat tinggi, sehingga jumlah pendaftar melebihi kuota haji yang ditetapkan pemerintah dalam setiap tahunnya, bahkan mencapai puluhan tahun, yang berakibat pada “antrian” dengan masa daftar tunggu (waiting list) yang panjang. Hal ini menimbulkan berbagai permasalahan, ketidakefisienan, dan ketidakadilan bagi jemaah haji. Policy paper ini bertujuan untuk mengkaji permasalahan waiting list haji di Indonesia dan menawarkan solusi untuk optimalisasi sistem pendaftaran dan pengelolaan waiting list yang lebih efisien dan berkeadilan. Kajian ini menggunakan metode kualitatif dengan studi literatur, analisis data statistik, dan wawancara dengan para pemangku kepentingan terkait. Hasilnya bahwa terdapat berbagai faktor yang menyebabkan waiting list haji panjang, seperti: keterbatasan kuota haji dari pemerintah Arab Saudi, sistem pendaftaran yang belum optimal, dan kurangnya transparansi dalam pengelolaan waiting list. Oleh karena itu, policy paper ini menawarkan beberapa solusi untuk optimalisasi sistem pendaftaran dan pengelolaan waiting list, di antaranya: (1) Peningkatan kuota haji dari pemerintah Arab Saudi melalui diplomasi dan negosiasi; (2) Implementasi sistem pendaftaran haji online yang terintegrasi dan transparan; (3) Penerapan sistem prioritas yang adil dan akuntabel bagi jemaah haji; serta (4) Peningkatan edukasi dan informasi kepada jemaah haji terkait waiting list. Kesimpulannya bahwa optimalisasi sistem pendaftaran dan pengelolaan waiting list haji melalui solusi yang diusulkan dalam policy paper ini diharapkan dapat mewujudkan ibadah haji yang lebih efisien dan berkeadilan bagi seluruh umat Muslim di Indonesia.
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 | 0.003 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.038 | 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".