PENILAIAN KAPASITAS COVID-19 DI KABUPATEN SUKOHARJO MENGUNAKAN SISTEM INFORMASI GEOGRAFIS
Notice bibliographique
Résumé
Covid-19 (coronavirus disease 2019) merupakan penyakit pernafasan menular yang baru ditemukan pada tahun 2019 di Kota Wuhan, Tiongkok dengan tingkat penyebaran yang sangat cepat dan memiliki tingkat kematian yang tinggi. Kasus Covid-19 menyebar hingga ke Kabupaten Sukoharjo pada tanggal 23 Maret 2020, ditemukan kasus positif Covid-19 pertama dan resmi menetapkan status kejadian luar biasa. Kasus kumulatif Covid-19 di Kabupaten Sukoharjo pada tanggal 31 Mei 2021 sebanyak 6.212 kasus positif, sedangkan pada bulan Juni mengalami peningkatan yang tinggi sehingga pada tanggal 5 Juli 2021 kasus positif sebesar 7.976 kasus. Peningkatan kasus yang tinggi merupakan salah satu indikator yang menunjukkan kurangnya kesiapan dalam menghadapi pandemi. Peningkatan kapasitas dapat dilakukan dengan penilaian kapasitas sehingga dapat diketahui prioritas wilayah penanganan. Parameter yang digunakan dalam penilaian kapasitas antara lain jangkauan fasilitas kesehatan, rasio tenaga kesehatan, jangkauan fasilitas isolasi terpusat, satuan tugas Covid-19 dan edukasi Covid-19. Penentuan nilai tiap parameter menggunakan metode Analytical Hierarchy Process (AHP) untuk memperoleh bobot dari hasil wawancara narasumber. Kapasitas dalam menangani Covid-19 di Kabupaten Sukoharjo belum sepenuhnya merata, seperti rumah sakit rujukan dan fasilitas isolasi terpusat yang hanya tersedia di kecamatan-kecamatan yang terdekat dengan area kota seperti Kecamatan Kartasura, Kecamatan Grogol, dan Kecamatan Sukoharjo. Kapasitas perlu dilakukan peningkatan terutama di wilayah prioritas, baik dengan menambah fasilitas kesehatan maupun meningkatkan kualitas fasilitas kesehatan yang telah ada seperti Kecamatan Weru, Kecamatan Bulu, Kecamatan Tawangsari dan Kecamatan Nguter.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».