PENILAIAN KAPASITAS COVID-19 DI KABUPATEN SUKOHARJO MENGUNAKAN SISTEM INFORMASI GEOGRAFIS
Bibliographic record
Abstract
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.
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 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.027 | 0.006 |
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".