Penyusunan Indeks Kerawanan Sosial Demam Berdarah Dengue Provinsi-Provinsi di Indonesia Tahun 2019
Bibliographic record
Abstract
Kerawanan sosial pada penyakit Demam Berdarah Dengue (DBD) merupakan karakteristik komunitas terkait kapasitas mereka untuk mengantisipasi, menghadapi, dan pulih dari dampak kejadian DBD. Untuk mengurangi dampak penyakit DBD dapat dilakukan dengan menurunkan kerawanan sosial penduduknya. Oleh karena itu, untuk mengetahui tingkat kerawanan sosial di suatu wilayah, tujuan penelitian ini adalah menyusun Indeks Kerawanan Sosial DBD (IKS DBD) provinsi-provinsi di Indonesia tahun 2019. Metode analisis yang digunakan dalam penyusunan indeks adalah analisis faktor eksploratori. Hasil penelitian menunjukkan terdapat 4 faktor penyusun IKS DBD yaitu kondisi tempat tinggal, kebutuhan kesehatan, sanitasi, dan penduduk berisiko. Hasil perhitungan IKS DBD menunjukkan bahwa sebagian besar provinsi di Indonesia berada pada kategori kerawanan sosial sedang dimana provinsi dengan IKS DBD tertinggi adalah Papua dan IKS DBD terendah adalah DI Yogyakarta. Kesimpulannya, kondisi tempat tinggal, kebutuhan kesehatan, sanitasi, dan penduduk berisiko merupakan faktor-faktor yang signifikan berkontribusi sebagai penyusun IKS DBD provinsi-provinsi di Indonesia tahun 2019.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 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".