Strategi Lembaga Masyarakat (LEMMAS) dalam Mengawasi dana kelurahan untuk program keselamatan di lingkungan kelurahan kekalik jaya kec. sekarbela kota mataram
Bibliographic record
Abstract
Artikel ini bertujuan untuk mengetahui strategi yang dilakukan oleh Lembaga Masyarakat (Lemmas) dalam mengawasi dana kelurahan yang dialokasikan untuk program keselamatan di lingkungan Kelurahan Kekalik Jaya, Kecamatan Sekarbela, Kota Mataram. Penelitian ini menggunakan pendekatan kualitatif dengan metode studi kasus, yang melibatkan wawancara dengan penanggung jawab Lemmas. Hasil penelitian menunjukkan bahwa Lemmas berperan aktif dalam proses pengawasan penggunaan dana kelurahan dengan membentuk tim pemantau yang melibatkan masyarakat secara langsung. Selain itu, Lemmas juga mengedepankan transparansi dan partisipasi masyarakat melalui pertemuan dan pelaporan hasil kegiatan. Strategi ini terbukti efektif dalam meningkatkan akuntabilitas pengelolaan dana kelurahan serta memperkuat hubungan antara pemerintah dan masyarakat dalam memastikan keberlanjutan program keselamatan. Namun, tantangan yang dihadapi adalah keterbatasan dana.sumber daya manusia dan rendahnya kesadaran sebagian masyarakat mengenai pentingnya pengawasan terhadap dana kelurahan. Oleh karena itu, disarankan agar Lemmas lebih memperkuat kapasitas anggota dan meningkatkan sosialisasi mengenai pentingnya pengawasan bersama terhadap dana kelurahan.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.037 | 0.010 |
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".