Inovasi Digitalisasi Layanan Kependudukan Sebagai Instrumen Penanggulangan Kemiskinan di Kabupaten Klaten
Bibliographic record
Abstract
Ketepatan data kemiskinan adalah prasyarat bagi efektivitas kebijakan perlindungan sosial. Banyak daerah menghadapi tantangan ketidakakuratan data kependudukan yang berdampak pada kesalahan penyaluran bantuan. Artikel ini bertujuan menganalisis inovasi digital layanan kependudukan di Kabupaten Klaten dirancang dan diimplementasikan, serta perannya dalam meningkatkan akurasi data kemiskinan dan efektivitas program sosial. Penelitian ini menggunakan pendekatan kualitatif dengan desain studi kasus. Data dikumpulkan melalui wawancara mendalam, serta didukung observasi lapangan dan telaah dokumen resmi. Hasil penelitian menunjukkan bahwa inovasi layanan digital seperti Sistem Administrasi Kependudukan Klaten (SAKURA) dan Identitas Kependudukan Digital (IKD) dirancang untuk meningkatkan efisiensi pelayanan sekaligus memperkuat akurasi basis data kependudukan. Berdasarkan kerangka Diffusion of Innovations, inovasi ini memiliki keunggulan relatif dalam penghematan waktu dan biaya, kompatibilitas dengan kebutuhan masyarakat pasca-pandemi, kompleksitas yang relatif rendah bagi pengguna digital, serta tingkat observabilitas yang tinggi. Data Dukcapil Klaten mencatat lebih dari 28.000 pengguna SAKURA dan 44.772 aktivasi IKD melalui strategi jemput bola hingga 2024. Kontribusi inovasi ini tampak nyata pada peningkatan validitas data sosial, yang mengurangi kesalahan inclusion dan exclusion dalam distribusi bantuan. Hal ini berdampak pada efektivitas program pengentasan kemiskinan, sejalan dengan penurunan angka kemiskinan di Klaten dari 13,49% pada 2021 menjadi 12,04% pada 2024. Digitalisasi memungkinkan pemutakhiran data real-time, penelusuran identitas tunggal, dan sinkronisasi data kependudukan dengan data kesejahteraan sosial, menekan kesalahan inclusion dan exclusion dalam bantuan. Berdasarkan Diffusion of Innovations, inovasi ini memiliki keunggulan relatif, kompatibilitas tinggi, dan kompleksitas rendah. Digitalisasi layanan kependudukan menjadiinstrumen strategis dalam tata kelola pemerintah daerah dan berkontribusi pada penanggulangan kemiskinan berbasis data akurat.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.010 | 0.008 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.055 | 0.019 |
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".