Strategi Kebijakan Pendekatan Penyampaian Informasi Dalam Pencegahan Dan Pengendalian Tuberkulosis di Kabupaten Ogan Ilir
Bibliographic record
Abstract
Jumlah penemuan kasus Tuberkulosis (TBC) yang dilaporkan ke Dinas Kesehatan Kabupaten Ogan Ilir terjadi peningkatan kasus pada tahun 2024 sebanyak 989 kasus, sedangkan 2023 penemuan sebanyak 738 kasus. Selain itu, angka pengobatan lengkap kasus tuberkulosis di tahun 2024 adalah 689 sedangkan jumlah kasus 989 artinya terdapat selisih 300 orang yang tidak melakukan pengobatan. Besarnya kesenjangan penemuan kasus dan sedikitnya orang dengan TBC yang memulai pengobatan di daerah disebabkan kurangnya pengetahuan tentang gejala TBC membuat pasien TBC tidak tanggap berobat ketika muncul gejala dan cenderung mendiamkan saja. Selain itu, pemahaman di masyarakat terkait TBC masih menjadi persoalan. Adanya anggapan bahwa TBC adalah penyakit yang tidak dapat disembuhkan membuat seseorang tidak ingin mengakses pengobatan. Diperlukan strategi kebijakan pendekatan penyampaian informasi yang baik guna memberikan pemahaman dan pengetahuan tentang tuberkulosis di masyarakat agar mudah diterima dan tidak terjadi lagi kesenjangan antara jumlah kasus dengan yang diobati. Makalah ini bertujuan untuk menyusun rekomendasi kebijakan yang komprehensif sebagai masukan kebijakan dalam penyusunan dokumen Rencana Aksi Daerah (RAD) Penanggulangan dan Pengendalian TBC untuk Tahun 2025-2027 dalam peningkatan peran serta Komunitas, pemangku Kepentingan dan multisektor dalam Penanggulangan TBC khususnya penyampaian informasi dalam pencegahan dan pengendalian Tuberkulosis di Kabupaten Ogan Ilir, sebagai turunan dari intervensi penanganan Tuberkulosis RPJMN 2025 2029, intervensi Masyarakat mendapatkan layanan pencegahan dan pengendalian TBC.
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 | 0.003 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.048 | 0.011 |
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".