UPAYA UNICEF DALAM MEWUJUDKAN HAK ANAK-ANAK INDONESIA ATAS AIR BERSIH MELALUI PROGRAM WATER, SANITATION AND HYGIENE (WASH)
Bibliographic record
Abstract
Penelitian ini memaparkan upaya yang dilakukan UNICEF Indonesia dalam mewujudkan air bersih untuk anak-anak Indonesia melalui program Water, Sanitation and Hygiene (WASH). Tidak tercapainya hak anak-anak terhadap air bersih yang disebabkan oleh kondisi sanitasi di Indonesia cukup memprihatinkan. Hal ini terlihat dari kebiasaan masyarakat Indonesia yang masih tidak peduli terhadap kelestarian sumber daya air, masih melakukan buang air besar sembarangan (BABS) dan membuang sampah sembarangan. Namun, dari beberapa lembaga yang ikut dalam mewujudkan air bersih di Indonesia selama ini belum ada yang memberikan hasil secara signifikan, oleh karena itu UNICEF hadir untuk memberikan bantuan kepada pemerintah Indonesia untuk mewujudkan air bersih untuk anak-anak Indonesia. Penelitian ini akan dianalisis dengan menggunakan konsep Transnational Advocacy Networks (TANs) yang dikemukakan oleh Margaret E. Keck dan Kathryn Sikkink. Penelitian ini menggunakan metode kualitatif dengan menggunakan data sekunder. Kajian ini menemukan bahwa dalam mewujudkan tujuannya yaitu anak anak-anak Indonesia atas air bersih, UNICEF melakukan proses pertukaran informasi, membingkai isu, dan bekerja sama dengan aktor lain. UNICEF membangun jaringan kerja sama dengan beberapa aktor yang memiliki tujuan yang sama. UNICEF juga melakukan berbagai kegiatan bersama jaringan advokasi internasional dengan beberapa aktor lain seperti WHO, UN, JMP, USAID. UNICEF tidak hanya menjalis jaringan kerja sama dengan organisasi internasional namun juga dengan pemerintah Indonesia seperti Kementerian PUPR, KEMENKES, BAPPENAS, serta KLHK. Selain dengan badan pemerintahan, UNICEF juga membangun jaringan kerja sama dengan berbagai lapisan masyarakat salah satunya selebriti dan publik figur agar dapat menembus berbagai lapisan masyarakat.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.067 | 0.013 |
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".