Capaian Kinerja Laboratorium Sebagai Baseline Penyusunan Renstra Laboratorium dengan Metode Statistik Deskriptif
Bibliographic record
Abstract
Rencana Strategis merupakan persyaratan administratif dari Tim Penilai Kelaikan Laboratorium Uji Tahun 2022 dan digunakan sebagai panduan dalam menentukan arah strategis dan prioritas tindakan selama periode lima tahun ke depan. Dalam penyusunan Rencana Strategis dilakukan tinjauan dari berbagai aspek yaitu Aspek Internal dan Eksternal Laboratorium, Isu-Isu dan Tantangan Strategis, serta Sasaran-Sasaran strategis dalam mencapai Visi dan Misi Laboratorium Pengujian. Hasil Renstra ini diharapkan dapat menjadi acuan untuk perencanaan, pemrograman, penganggaran tahunan, dan evaluasi pelaksanaan/ pencapaian sasaran mutu Laboratorium Pengujian untuk lima (5) tahun ke depan dalam rangka pencapaian sasaran strategis, program, dan kegiatan yang tercantum dalam Renstra Kementerian PUPR. Dalam penelitian ini dilakukan analisis deskriptif pada capaian kinerja laboratorium tahun 2021-2023. Hasil capaian kinerja ini diolah dan dianalisis dengan metode Statistik Deskriptif diperoleh baseline rencana program dan kegiatan tahun 2024-2028, rencana pendanaan tahun 2024-2028, dan rencana sumber daya manusia tahun 2024-2028. Total capaian layanan pengujian tahun 2022 sebesar 40,77% artinya terjadi peningkatan jumlah layanan pengujian sebesar 40,77% dari tahun 2021, sedangkan total capaian layanan pengujian tahun 2023 sebesar 75,96%, artinya terjadi peningkatan jumlah layanan pengujian sebesar 75,96% dari tahun 2022. Untuk capaian pemasukan PNBP terjadi penurunan di tahun 2022 dan naik kembali di tahun 2023, namun realisasi capaian masih diatas target capaian. Capaian belanja laboratorium tahun 2022 naik sebesar 1,30% dari tahun 2021, sedangkan belanja laboratorium tahun 2023 naik sebesar 83,74% dari tahun 2022. Adapun jumlah sumber daya manusia tahun 2022 turun sebesar 20% dari tahun 2021, dan tahun 2023 turun sebesar 12,5% dari tahun 2022.
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 | 0.007 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.020 | 0.006 |
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".