ANALISIS EFEKTIVITAS LKMA \nDALAM MENDUKUNG PERMODALAN PETANI DAN \nFAKTOR– FAKTOR YANG MEMPENGARUHI EFEKTIVITAS \nDI KABUPATEN LIMAPULUH KOTA
Bibliographic record
Abstract
Lembaga Keuangan Mikro Agribisnis (LKMA) yang didukung oleh pemerintah diharapkan dapat membantu petani kecil yang selalu butuh kredit untuk modal kerja. Namun kenyataannya tidak semua LKMA yang dimanfaatkan oleh petani. Lalu seberapa efektif LKMA dalam upaya memenuhi kebutuhan sektor pertanian? Penelitian ini mengukur efektifitas LKMA dan faktor-faktor yang mempengaruhi efektivitas LKMA. Penelitian ini menggunakan metode survei yang melibatkan 30 LKMA dan 30 petani sebagai unit analisis. Data dianalisis dengan deskriptif kuantitatif dan regresi linier berganda. \nHasil analisis menunjukkan rata-rata yang cukup tinggi untuk ukuran efektivitas mengenai proporsi jumlah nasabah petani yang dilayani LKMA yaitu 82 persen yang termasuk kategori efektif. Sementara dari sisi modal kredit petani yang berasal dari LKMA hanya sebesar 66 persen yang termasuk kategori cukup efektif. Kemudian juga dilakukan analisis multivariat yang menggunakan model regresi linier berganda untuk megidentifikasi faktor-faktor yang mempengaruhi kedua ukuran tersebut. Hasilnya menunjukkan bahwa efektivitas LKMA mengenai jumlah nasabah petani yang dilayani LKMA secara signifikan ditentukan oleh faktor aset LKMA, modal LKMA, kredit macet, modal dari sumber lain, dan pembiayaan. Sementara itu untuk ukuran efektifitas mengenai modal petani yang dilayani LKMA ditentukan oleh karakteristik petani seperti luas lahan usahatani padi sawah, lama menjadi nasabah LKMA, pendapatan usahatani, pendapatan diluar usahatani, jumlah tabungan, jangka waktu angsuran, kredit macet, sumber pinjaman lain dan tingkat perkembangan LKMA sedangkan faktor seperti jumlah tingkat pendidikan, tingkat suku bunga pinjaman, dan agunan tidak berpengaruh signifikan. Untuk ukuran efektivitas kedua, perlu dicatat bahwa agunan tidak berpengaruh signifikan terhadap besarnya pembiayaan yang akan diberikan kepada nasabah petani, karena sebagian besar petani yang dapat pembiayaan adalah petani dengan karakteristik baik. \n \n \nKata kunci: Lembaga Keuangan Mikro, Petani kecil dan Efektivitas
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 | 0.002 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.013 | 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".