Analisa Kebijakan Program DBDklim dalam Mitigasi Penyebaran Demam Berdarah Dengue di DKI Jakarta
Bibliographic record
Abstract
Sampai dengan 31 Mei 2024, terdapat 9.261 kasus DBD dengan 22 kematian. Case Fatality Rate (CFR) Mei 2024 mencapai 0,24%, walaupun masih tercapai indikator program DBD yakni CFR <1% namun tertinggi dibanding 5 tahun terakhir. Tujuan penelitan adalah menemukan permasalahan belum optimalnya kebijakan Peringatan dini DBD berbasis iklim (DBDKlim) serta menyusun usulan rekomendasi kebijakan di DKI Jakarta. Metodologi yang digunakan dalam proses policy paper ini adalah Analisa SOAR (Strenghts, Opportunity, Aspiration and Result) dan wawancara. Hasil analisis SOAR, maka strategi yang dipilih adalah: 1). Strategi SA: Menggunakan Kekuatan Menjadi Harapan  (635), 2). Strategi SR: Menggunakan Kekuatan untuk Mencapai Hasil yang Terukur (565), 3). Strategi OA: Menggunakan Peluang untuk Mencapai Harapan (650), 4). Strategi OR: Menggunakan Peluang untuk Mencapai Hasil yang Terukur (560). Strategi OA merupakan strategi dengan nilai tertinggi, maka konsepsi optimalisasi peran DBDKlim adalah Peluang untuk mencapai Aspirasi/Harapan. Kesimpulan dan rekomendasi yaitu Optimalisasi kebijakan DBDKlim untuk menekan jumlah korban DBD, terutama dalam peningkatan sebaran data level kecamatan, kabupaten hingga level Nasional melalui perubahan instruksi Gubernur dan Peraturan Menteri Kesehatan.
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 | 0.003 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.003 |
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; both teacher heads agree on what is shown here.
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".