Model Usahatani Sayuran Di Lahan Kering Desa Antapan Kecamatan Baturiti Kabupaten Tabanan
Bibliographic record
Abstract
Desa Antapan merupakam sentra produksi sayuran dan ternak sapi, memiliki permasalahan, usahatani sayuran sangat tergantung terhadap input luar, yaitu pupuk dan pestisida kimia. Tujuan utama pengabdian ini adalah pemanfaatan teknologi fermentasi untuk pengolahan feces dan urine sapi menjadi kompos dan biourine, aplikasi kompos dan biourine pada usahatani sayuran dan pembuatan pompa hidram serta embung untuk menjaga ketersediaan air sehingga usahatani sayuran dapat dilakukan secara berkesinambungan dan berkelanjutan, serta penanaman rumput odot untuk pakan sapi. Pengabdian dilaksanakan di dua kelompok tani, yaitu kelompok tani Labak Lestari dan Setia Makmur Desa Antapan, Tabanan. Jumlah peserta kegiatan sebanyak 38 orang dengan masing-masing 20 anggota kelompok tani Labak Lestari dan 18 anggota Setia Makmur. Metode yang yang digunakan adalah, ceramah, pelatihan, pendampingan dan demplot. Hasil kegiatan pemanfaatan teknologi fermentasi untuk pembuatan kompos dan biourine dapat meningkatkan pengetahuan petani 82,0 % , mengurangi input luar sebesar 60 %, Pompa hidram yang disediakan mampu menyediakan air 0,5 liter/detik dan kapasitas embung yang disediakan oleh masing-masing petani mempunyai kapasitas 20 m3, kemudian untuk ketersediaan pakan sapi, ditanam rumput odot disepanjang pematang lahan usahatani. Oleh karena itu pengabdian ini sangat penting dilakukan untuk keberlanjutan usahatani sayuran, peningkatan pendapatan dan kesejahteraan petani.
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 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.014 | 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".