STUDI KASUS PEMBIAYAAN PELAKSANAAN PROGRAM TUBERKULOSIS SAAT PANDEMI COVID-19 DI KOTA MEDAN
Bibliographic record
Abstract
Tuberkulosis (TB) masih menjadi penyakit global dengan tingkat morbiditas dan mortalitas dan yang tinggi (1,2 juta meninggal tahun 2019). Selain itu, dunia justru dihadapkan dengan permasalahan kesehatan baru yaitu coronavirus disease 2019 (COVID-19) yang mempengaruhi semua sektor kesehatan termasuk di Indonesia. Kota Medan memiliki kasus COVID-19 yang tinggi (90.717 kasus dengan 2.166 meninggal dunia). Peningkatan kasus COVID-19 memberikan dampak terhadap cakupan penemuan kasus dan keberhasilan pengobatan TB (35,2% dari target 65% tahun 2020). Adanya refocusing anggaran pengendalian TB menghambat realisasi pengadaan dan kegiatan yang telah direncanakan. Pelayanan TB di fasilitas kesehatan juga terganggu. Tujuan Penelitian ini untuk menganalisis pembiayaan pelaksanaan program Tuberkulosis saat adanya pandemi COVID-19 di Kota Medan.Penelitian menggunakan studi kasus dengan single case design (embedded) di Dinas Kesehatan Kota Medan dan BPJS Kesehatan Kota Medan. Subjek penelitian berjumlah 8 orang yang dipilih menggunakan teknik purposive sampling. Pengumpulan data lainnya lainnya dengan enam sumber bukti, yaitu dokumenentasi arsip, wawancara terfokus dan open- ended, observasi langsung, dan perangkat fisik. Data tersebut dianalisa menggunakan teknik pattern matching dan analisa deret waktu.Pembiayaan program TB saat pandemi COVID-19 tahun 2020 dan 2021 bersumber dari APBN, Global Fund Kemenkes, APBD Provinsi dan Kota, dan sektor swasta (USAID-TBPS, YKI, STPI – Penabuluh, dan sektor swasta lainnya). Pembiayaan tersebut mengalami refocusing anggaran di tahun 2021 yang menyebabkan beberapa kegiatan tidak bisa berjalan optimal, namun tahun 2021 adanya peningkatan sumber pembiayaan program TB. Sedangkan pembiayaan klaim INA CBG’s di rumah sakit untuk program TB juga mengalami penurunan tahun 2020 dan 2021. Sementara Pelaksaanan program TB saat adanya pandemi COVID-19 di Kota Medan mengalami beberapa kendala baik dari penjaringan TB, diagnosis TB dan pengobatan TB. Keterlibatan lintas sektor dalam setiap tahapan tersebut sejak tahun 2021 membuat pelaksanaan menjadi lebih optimal dalam upaya menguatkan sistem kesehatan baik di faskes primer maupun rujukan. Selain itu, pencapaian indikator angka penemuan kasus mengalami penurunan secara drastis dari sebelum adanya COVID-19. Angka Notifikasi Kasus yaitu 213 per 100.000 penduduk (2020) dan 206 per 100.000 penduduk (2021). Sementara Success Rate TB tidak terlalu terdampak telah mencapai 90%.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.007 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.001 | 0.005 |
| Science and technology studies | 0.008 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.009 | 0.000 |
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 teacher head, 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".