Strategi Mitigasi Bencana Berdasarkan Pemetaan Tingkat Kerentanan Sosial Ekonomi Masyarakat Terdampak Banjir Bandang Di Desa Rogo
Bibliographic record
Abstract
Banjir bandang terjadi di wilayah Kabupaten Sigi dengan salah satu wilayah terdampak yaitu Desa Rogo yang berada di Kecamatan Dolo Selatan. Terdapat beberapa aspek yang terdampak oleh bencana banjir bandang Desa Rogo namun cukup signifikan pada aspek sosial ekonomi masyarakat oleh karena itu penelitian ini mengarah pada strategi mitigasi berdasarkan pemetaan tingkat kerentanan sosial ekonomi masyarakat terdampak bencana banjir bandang di Desa Rogo. Tujuan penelitian ini yaitu untuk mengetahui strategi mitigasi bencana berdasarkan pemetaan tingkat kerentanan sosial ekonomi masyarakat terdampak banjir bandang di Desa Rogo Kabupaten Sigi. Penelitian ini menggunakan jenis penelitian deskriptif dan pendekatan kuantitatif dengan metode scoring analysis, analisis spasial dan analisis SWOT. Variabel yang digunakan dalam kerentanan sosial yaitu kepadatan penduduk, persentase penduduk difabel, persentase penduduk menurut kelompok umur, persentase penduduk perempuan, sistem peringatan tradisional, dan perilaku konservasi dan hukum adat. Variabel kerentanan ekonomi menggunakan luas lahan produktif, ketergantungan pendapatan pada pertanian, jumlah sarana ekonomi, dan persentase tingkat kemiskinan. Terdapat dua dusun yang termasuk kelas kerentanan sosial sedang dan dua dusun termasuk kelas kerentanan sosial tinggi di Desa Rogo sedangkan kelas kerentanan ekonomi untuk semua dusun termasuk kelas kerentanan tinggi. Berdasarkan hasil analisis, strategi mitigasi bencana berdasarkan kerentanan sosial ekonomi yaitu meningkatkan kemampuan tanggap darurat bencana melalui sosialisasi dan pelatihan yang terkait kesiapan masyarakat dalam menghadapi bencana, melakukan program lumbung pangan untuk menampung cadangan makanan, dan pengembangan budaya sadar bencana pada masyarakat setempat.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.012 | 0.002 |
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".