Hasil Pencarian  ::  Simpan CSV :: Kembali

"Siswa di sekolah tergolong dalam kelompok rentan tertular infeksi Covid-19 dari sekelilingnya. Pengetahuan dan perilaku dari siswa menjadi tolak ukur dalam mencegah penularan. Penelitian ini bertujuan untuk mengidentifikasi hubungan pengetahuan dan perilaku memutus rantai infeksi Covid-19. Penelitian menggunakan metode deskriptif cross-sectional. Sampel penelitian ini adalah 291 siswa SMPN 1 Cisaat Kab. Sukabumi dengan teknik pengambilan sampel Simple Random Sampling melalui dalam jaringan.. Hasil analisis didapati bahwa tingkat pengetahuan siswa tentang Covid-19 termasuk dalam kategori baik (83,2%). Perilaku siswa berada pada kategori baik (67,7%). Ada hubungan bermakna antara pengetahuan dengan perilaku siswa tentang Covid-19 (p=0,002, α=0,05). Perlu digalakkan promosi kesehan mengenai kontrol agen infeksius untuk meningkatkan pengetahuan siswa mengenai Covid-19.

---

Students in the school are classified as vulnerable to contracting Covid-19 infection around them. The knowledge and behavior of students become a benchmark in preventing transmission. This study aims to identify knowledge and behavior relationships to break the chain of Covid-19 infection. This research used descriptive cross-sectional methods. The sample of this study was 291 students SMPN 1 Cisaat Kab. Sukabumi using the Simple Random Sampling technique via online. The analysis found that students' knowledge level about Covid-19 falls into the good category (83.2%). Student behavior was in a good category (67.7%). There is a meaningful relationship between knowledge and student behavior about Covid-19 (p=0,002, α=0,05). It is necessary to encourage the campaign of health concerning the control of infectious agents to increase students' knowledge about Covid-19."

"Corona Virus Disease atau COVID-19 merupakan sebuah wabah yang ditemukan pada akhir tahun 2019 di provinsi Wuhan, China, yang kemudian menyebar ke seluruh dunia. Reverse Transcription Polymerase Chain Reaction (RT-PCR) kemudian digunakan sebagai metode diagnosa COVID-19. Namun metode RT-PCR memerlukan waktu yang lama dalam proses diagnosa sehingga American College of Radiography (ACR) merekomendasi penggunaan alat radiografi seperti Computed Tomography Scan (CT- Scan) dan X-ray sebagai metode tambahan dalam mendiagnosa COVID-19. X-ray kemudian dipilih sebagai metode tambahan dalam mendiagnosa COVID-19 karena alat yang digunakan lebih fleksibel dan sudah tersebar luas di berbagai klinik kesehatan. Pada penelitian ini, penulis menggunakan pendekatan neural network yaitu Convolutional Neural Network (CNN) untuk metode Deep Feature Extraction dan metode klasifikasi klasik dalam membuat model yang dapat mengklasifikasi paru-paru normal, terjangkit COVID-19, dan pneumonia berdasarkan data citra X-ray. Arsitektur CNN yang digunakan dalam penelitian ini adalah ResNet-50 dan metode klasifikasi klasik yang digunakan adalah Support Vector Machine (SVM), Random forest, K-Nearest Neighbor (KNN), dan Extreme Gradient Boosting (XGBoost). Dataset yang digunakan dalam penelitian ini adalah COVID-19 Image Data Collection oleh J. P. Cohen, ChestX-Ray8 Dataset oleh National Institute of Health, dan Chest X-ray Dataset oleh Mendeley Data. Selanjutnya, model dilatih menggunakan ResNet-50 untuk proses ekstraksi fitur dari fully connected layer. Kemudian, vektor fitur dari fully connected layer diklasifikasi menggunakan metode klasifikasi klasik SVM, Random forest, KNN, dan XGBoost. Berdasarkan hasil simulasi, diketahui akurasi terbaik didapatkan oleh kombinasi antara ResNet-50 dan SVM dengan 94,22%. Recall terbaik didapatkan oleh kombinasi antara ResNet-50 dan KNN dengan 94%. Precision terbaik didapatkan oleh ResNet-50 dengan 94,36%. Running time terbaik didapatkan oleh ResNet-50 dengan 0,0006 detik.

---

Corona Virus Disease or COVID-19 is an outbreak that was discovered at the end of 2019 in the province of Wuhan, China, which then spread throughout the world. Reverse Transcription Polymerase Chain Reaction (RT-PCR) was then used as a method of diagnosing COVID-19. However, the RT-PCR method requires a long time in the diagnostic process so the American College of Radiography (ACR) recommends the use of radiographic tools such as Computed Tomography Scan (CT-Scan) and X-ray as additional methods in diagnosing COVID-19. X-ray was then chosen as an additional method in diagnosing COVID-19 because the tool used is more flexible and is already widespread in various health clinics. In this study, the author uses a neural network approach, namely the Convolutional Neural Network (CNN) for the Deep Feature Extraction method and the Machine Learning approach for the classification method in making a model that can classify normal lungs, infected with COVID-19, and pneumonia based on X-ray image. The CNN architecture used in this study is ResNet-50 and the Classifier used is Support Vector Machine (SVM), Random forest, K-Nearest Neighbor (KNN), and Extreme Gradient Boosting (XGBoost). The datasets used in this study were the COVID-19 Image Data Collection by J. P. Cohen, the ChestX-Ray8 Dataset by the National Institute of Health, and the Chest X-ray Dataset by Mendeley Data. The model was then trained using the CNN method with the ResNet-50 architecture. Furthermore, the fully connected layer in the ResNet-50 architecture was replaced using the SVM, Random forest, KNN, and XGBoost classifiers. Based on the simulation results, the best accuracy is obtained by combination of ResNet-50 and SVM with 94.22%. The best recall was obtained by a combination of ResNet-50 and KNN with 94%. The best precision was obtained by ResNet-50 with 94.36%. The best running time was obtained by ResNet-50 with 0.0006 seconds."

"Situasi akibat pandemi COVID-19 yang tidak menentu membuat siswa harus bisa beradaptasi dengan kondisi yang ada. Adaptasi kebiasaan baru adalah cara agar siswa dapat beraktivitas dengan menaati perilaku pencegahan COVID-19 seperti memakai masker, mencuci tangan, menjaga jarak, dan menerapkan etika batuk dan bersin untuk meminimalisir penularan virus. Perilaku pencegahan COVID-19 dapat dipengaruhi oleh beberapa faktor, salah satunya pengetahuan dan sikap. Penelitian ini bertujuan untuk mengidentifikasi hubungan pengetahuan dan sikap terhadap perilaku pencegahan COVID-19 pada siswa SMA selama adaptasi kebiasaan baru. Penelitian ini menggunakan pendekatan deskriptif analitik dengan desain cross sectional yang melibatkan 525 siswa berusia 15-19 tahun. Kuesioner yang digunakan adalah kuesioner pengetahuan, sikap, dan perilaku yang diterjemahkan oleh peneliti ke dalam Bahasa Indonesia agar mudah dipahami siswa. Kuesioner yang digunakan telah diuji validitas dan reliabilitasnya kepada 100 siswa, hasilnya dinyatakan valid dan reliabel. Nilai r hitung kuesioner pengetahuan, sikap, dan perilaku secara berturut-turut berkisar antara 0,222 – 0,905; 0,348 – 0,748; 0,882 – 0,903 sehingga r hitung > r tabel (0,195) dengan Alpha Cronbach yang diperoleh berturut-turut 0,756; 0,731; 0,894. Hasil uji bivariat spearman correlation menunjukkan hubungan yang signifikan antara pengetahuan dan sikap dengan perilaku pencegahan COVID-19 pada siswa dengan kekuatan hubungan yang lemah (p=0,001;α=0,05). Perawat dapat memberikan intervensi berupa edukasi kesehatan dalam rangka meningkatkan pengetahuan, sikap, dan perilaku siswa sehingga siswa mampu beradaptasi dengan menerapkan pencegahan COVID-19.

---

The uncertain situation due to the COVID-19 pandemic has forced students to be able adapt to existing conditions. Adapting new habits is a way for students to do activities by complying with COVID-19 prevention behaviors such as wearing masks, washing hands, maintaining distance, and applying coughing and sneezing etiquette. It is important to take preventive measures against COVID-19 to minimize the transmission of the virus. COVID-19 prevention behaviour can be influenced by several factors, one of which is knowledge and attitude. This study aims to identify the relationship between knowledge and attitudes towards COVID-19 prevention behavior in high school students during the adaptation of new habits. This study used a descriptive analytic approach with a cross sectional design involving 525 students aged 15-19 years. The questionnaire used was a knowledge, attitude, and behavior questionnaire which was translated by the researcher into Indonesian so that it was easy for students to understand. The questionnaire used has been tested for validity and reliability to 100 students, the results are declared valid and reliable. The calculated r value of the knowledge, attitude, and behavior questionnaires ranged from 0.222 to 0.905, respectively; 0.348 – 0.748; 0.882 – 0.903 so that r count > r table (0.195) with Cronbach's Alpha obtained respectively 0.756; 0.731; 0.894. The results of the bivariate Spearman correlation test showed a significant relationship between knowledge and attitudes with COVID-19 prevention behavior in students with a weak relationship strength (p=0.001*;α=0.05). Nurses can provide interventions in the form of health education in order to improve students' knowledge, attitudes, and behavior so that students are able to adapt to implementing COVID-19 prevention."

"COVID-19 telah merenggut nyawa banyak manusia. Tercatat per tanggal 29 Juni 2021, sudah terdapat sekitar 3,923,238 pasien yang meninggal dunia akibat penyakit dengan tingkat penularan yang tinggi ini. Dengan semakin banyaknya orang yang terinfeksi COVID-19, persediaan alat untuk mendeteksi penyakit ini pun juga semakin terbatas yang dapat menyebabkan pandemi COVID-19 pun menjadi semakin tidak terkendali. Oleh karena itu, penting untuk mempertimbangkan metode deteksi COVID-19 lainnya yang dapat membantu para staf kesehatan untuk melakukan deteksi pasien positif COVID-19.Metode deteksi COVID-19 lainnya yang bisa dipertimbangkan untuk dikembangkan adalah metode deteksi COVID-19 dengan artificial intelligence. Dengan metode tersebut, data-data seperti data gejala pasien, data citra toraks, serta data interpretasi citra berupa teks dapat dimanfaatkan untuk mengembangkan suatu model prediksi COVID- 19. Ketiga tipe data yang berbeda tersebut dapat dikombinasikan sebagai data input untuk membangun suatu model klasifikasi COVID-19. Pengkombinasian data yang berbeda dapat dilakukan dengan cara melakukan konkatenasi pada tiap input layer yang menerima data gejala dan data teks dengan suatu layer dari arsitektur CNN. Beberapa arsitektur CNN yang dapat digunakan pada penelitian ini adalah ResNet, DenseNet, Inception- ResNet, DarkCovidNet, CoroNet, dan COVID-Net. Selain itu, metode Grad-CAM juga dipilih untuk proses deteksi persebaran coronavirus.Hasil pengujian menunjukkan bahwa banyak model yang dihasilkan dari pendekatan kombinasi data gambar, data tabular, dan data teks memiliki nilai sensitivitas, akurasi, serta f1-score yang tinggi. Hal tersebut menunjukkan bahwa pendekatan tersebut secara umum menghasilkan model-model dengan performa yang tinggi juga seimbang. Namun, berdasarkan hasil pengujian pula, diketahui bahwa model yang memiliki performa tertinggi dicapai oleh model dari pendekatan klasifikasi gambar dengan data tabular yang menggunakan arsitektur DenseNet khususnya dengan nilai learning rate = 10−3. Model tersebut tercatat memiliki performa yang tinggi dan seimbang dengan nilai sensitivitasnya mencapai angka 1,00, akurasi mencapai angka 0,94, dan F1-Score mencapai angka 0,94.

---

COVID-19 has taken the lives of many people. As of June 29th 2021, there were approximately 3.923.238 deaths due to this highly contagious disease. With the increasing number of infected people, the COVID-19 detection tool supplies are also getting limited that can lead to an out-of-control situation. Therefore, it is quite necessary to consider alternative methods for COVID-19 detection.

Another COVID-19 detection that can be considered to be developed is a COVID- 19 detection method with artificial intelligence. With artificial intelligence, a COVID-19 prediction model can be built by using any available data such as patient symptom dataset, patient thorax images especially chest X-Ray, and thorax interpretations in text form. Those three types of data can be utilized and combined as data input to build a COVID-19 detection system. The combination of those three different types of data can be done with the concatenation of each input layer of tabular and text data with a layer from a CNN architecture. In this study, there are six CNN architectures used and those are ResNet, DenseNet, Inception-ResNet, DarkCovidNet, CoroNet, and COVID-Net. Besides, the Grad-CAM technique is also implemented for coronavirus detection purposes.

The result shows that most of the models from the combined image, tabular, and text datasets offer high sensitivities, accuracies, and scores of F1-Score. It means that the combined image, tabular, and text datasets generally obtained high performance and balanced models. However, according to the test results, the best performance model is achieved by the combined image and tabular datasets approach with DenseNet architecture and the learning rate of 10−3. Such a model achieves the best performance model with an accuracy score of 0.94, a sensitivity score of 1.00, and an f1-score of 0.94."

"Latar Belakang: Kejadian pandemi penyakit Coronavirus disease 2019 (COVID-19) telah menyebar ke berbagai belahan dunia dengan peningkatan angka pasien terkonfirmasi dan meninggal. Cedera miokard akut merupakan salah satu manifestasi klinis yang sering timbul pada pasien terkonfirmasi COVID-19 yang mengakibatkan meningkatnya risiko morbiditas dan mortalitas. Meskipun demikian, kejadian cedera miokard akut pada pasien COVID-19 belum banyak didokumentasikan. Penelitian ini bertujuan mengetahui kejadian cedera miokard akut pada pasien COVID-19 serta faktor-faktor yang mempengaruhinya.Metode: Penelitian ini merupakan penelitian potong lintang dengan menggunakan data rekam medis pasien COVID-19 yang dirawat di RSUP Persahabatan, Jakarta, selama periode Juni-Desember 2020. Prevalens cedera miokard akut dinilai dengan menggunakan kadar pemeriksaan high sensitivity Troponin I (hsTrop-I). Penelitian ini juga menentukan hubungan antara faktor demografi, riwayat penyakit komorbid kardiovaskular, derajat penyakit, penanda respon inflamasi serta faktor koagulasi dengan kejadian cedera miokard akut pada pasien terkonfirmasi COVID-19.Hasil: Dari total 340 sampel yang diikutkan dalam penelitian ini didapatkan sebanyak 62 (18,2%) sampel mengalami cedera miokard akut, mayoritas berusia diatas 40 tahun (93,5%). Cedera miokard akut lebih dominan terjadi pada sampel dengan riwayat komorbid (90,3%) dan derajat penyakit berat-kritis (87,1%). Prokalsitonin dan d-Dimer secara konsisten menunjukkan hubungan yang bermakna pada uji bivariat dan multivariat dengan kejadian cedera miokard akut.Kesimpulan: Prevalens cedera miokard akut pada pasien COVID-19 di RS Persahabatan sebesar 18,2%. Cedera miokard akut berhubungan dengan kadar prokalsitonin, d-Dimer dan komorbid kardiovaskular.

---

Background: The pandemic of Coronavirus disease 2019 (COVID-19) has spread worldwide with the growing number of confirmed patients and deaths. Acute myocardial injury is one of the most common clinical manifestations in COVID-19 patients, results in higher risk of morbidity and mortality. However, the prevalence of acute myocardial injury in COVID-19 patients is not well documented. This study aimed to assess the prevalence of acute myocardial injury in COVID-19 patients.

Methods: This is a cross-sectional study utilizing medical record on COVID-19 patients admitted to Persahabatan hospital, Jakarta, within the period of June to December 2020. The prevalence of acute myocardial injury was assessed through high sensitivity Troponin I (hsTrop-I) levels examination. The association of demographic factors, cardiovascular disease comorbidities, disease severity, levels of inflammatory biomarkers and coagulation factor with acute myocardial injury were also determined.

Results: From a total of 340 patients enrolled in the study, 62 (18.2%) samples experienced acute myocardial injury, in which majority (93.5%) aged >40 years. The prevalence of acute myocardial injury was more dominant in patients with the history of comorbidities (90.3%) and severe-critically ill COVID-19 patients (37.1%). Procalcitonin and d-Dimer levels consistently showed significant association with acute myocardial injury from bivariate and multivariate analysis.

Conclusion: The prevalence of acute myocardial injury in COVID-19 patients in Persahabatan Hospital was 18,2%. Acute myocardial injury was significantly associated with procalcitonin levels, d-Dimer levels and cardiovascular comorbidities."

"Latar Belakang. Coronavirus Disease-19 (COVID-19) sampai sekarang masih menjadi ancaman kesehatan global. Baku emas diagnosis COVID-19 adalah pemeriksaan RT-PCR dari sampel usap nasofaring. Pengambilan sampel dengan cara ini memiliki kekurangan seperti rasa tidak nyaman pada pasien, risiko perdarahan, dan risiko paparan pada tenaga medis. Saliva merupakan salah satu alternatif sampel yang bisa digunakan untuk tujuan ini. Tujuan. Mengetahui sensitivitas, spesifisitas, nilai duga positif, nilai duga negatif, dan akurasi RTPCR saliva. Metode. Penelitian potong lintang pasien dewasa suspek COVID-19 pada April-Juni 2021 di instalasi gawat darurat rumah sakit Siloam Lippo Village. Pasien yang memenuhi syarat dan menyatakan setuju dilakukan pemeriksaan RT-PCR dari sampel usap nasofaring dan saliva. RTPCR dikerjakan dengan menilai gen N dan gen ORF1AB menggunakan alat Rotorgen QPlex-5Plus dengan batas positif CT Value < 40. Hasil. Sebanyak 126 pasien suspek COVID-19 yang eligible ikut penelitian selama periode studi. Enam pasien menolak mengikuti penelitian. Analisis akhir dikerjakan pada 120 pasien dengan proporsi laki-laki 42,5% dan median usia 50 tahun. Hasil RT-PCR positif ditemukan pada 69 (57,5%) sampel saliva dan 75 (62,5%) sampel usap nasofaring. Sensitivitas uji RT-PCR COVID19 dari sampel saliva adalah 86,67% (95% CI 76,84- 93,42), spesifisitasnya 91,11% (95% CI 78,78- 97,52). Nilai NDP yang didapat adalah 94,20% (95% CI 86,39-97,65) dan nilai NDN yang didapat 80,39% (95% CI 69,57-88,03). Akurasi yang didapat adalah 88,33% (95% CI 81,2093,47). Rerata CT value RT-PCR dari sampel saliva lebih tinggi dibandingkan sampel nasofaring, baik pada gen N (mean saliva 26,22 vs nasofaring 22,18; p= 0,01) maupun ORF1AB (mean saliva 26,39 vs nasofaring 23,24; p= 0,01). Simpulan. Saliva yang diambil dengan metode drooling merupakan sampel yang akurat untuk pemeriksaan RT-PCR COVID-19.

---

Background. Coronavirus Disease-19 (COVID-19) is still a global health problem. Diagnostic gold standard for COVID-19 is RT-PCR of the nasopharyngeal swab specimen. However, this method has several issues such as patient’s discomfort, risk of bleeding, and risk of exposure to examiner. Saliva is a viable alternative sample for this examination. Aim. To find out the sensitivity, specificity, positive predictive value, negative predictive value, and accuracy of saliva RT-PCR. Method. Crossectional study in adult patient with suspect ofCOVID-19 during April-June 2021 in emergency unit Lippo Village Hospital. Eligible and agreed patient are examined with RT-PCR from nasopharyngeal swab and saliva. RT-PCR was done by targeting gene N and ORF1AB using Rotorgen QPlex-5-Plus with CT value cut off 40. Result. A total of 126 suspected COVID-19 cases were admitted to ER during study period. Six patients were disagree to join. Final analysis was carried out on 120 patients (42.5% male, media age 60). Positive RT-PCR was found in 69 (57.5%) saliva specimens and 75 (62.5%) nasopharyngeal specimens. Sensitivity of saliva specimens was 86.67% (95% CI 76.84- 93.42), with specificity of 91.11% (95% CI 78.78-97.52). NDP of saliva was 94.20% (95% CI 86.39-97.65) with NDN of 80.39% (95% CI 69.57-88.03). Saliva’s accuracy was 88.33% (95% CI 81.20-93.47). Mean CT value of saliva specimens was higher than nasopharyngeal specimens in both gene N (mean saliva 26.22 vs nasopharyngeal 22.18; p= 0.01) and ORF1AB (mean saliva 26.39 vs nasopharyngeal 23.24; p= 0.01). Conclusion. Saliva collected with drooling method is an accurate sample for COVID-19 RT-PCR."

"Coronavirus Disease 2019 (COVID-19) merupakan kondisi darurat global dengan angka morbiditas dan mortalitas tinggi. Penyebab terbanyak luaran buruk adalah komorbid yaitu diabetes melitus (DM). Prevalensi dan dampak sesehatan DM di Indonesia tinggi sehingga perlu dilakukan penelitian tentang pengaruh DM terhadap luaran buruk pasien dengan COVID-19. Luaran buruk pada penelitian ini adalah jika selama perawatan pernah terdapat perawatan di ruang intensif, penggunaan ventilator mekanik dan atau kematian. Penelitian ini mencoba menganalisis apakah parameter metabolik yaitu HbA1c, glukosa darah sewaktu (GDS) dan profil lipid pada 48 jam awal perawatan dapat digunakan untuk memprediksi luaran buruk pasien dengan COVID-19 . Sejumlah 66 data pasien yang terdiri dari 33 data luaran buruk dan 33 luaran tidak buruk diikutsertakan pada penelitian. Ditemukan hubungan bermakna secara statistik pada rerata HbA1c, GDS, dan trigliserida sedangkan HDL, LDL dan kolesterol total tidak ditemukan perbedaan bermakna. Parameter HbA1c, GDS, dan trigliserida berturut-turut mempunyai luas Area Under the Curve (AUC) 71,1% ;71,9 dan 66,7%. Analisis regresi logistik didapatkan model prediksi luaran buruk menggunakan trigliserida >155,4 mg/dL, GDS >122,5 mg/dL, serta ada tidaknya komorbid hipertensi, penyakit ginjal dan komorbid lain.

---

Coronavirus Disease 2019 (COVID-19) is global emergency with high morbidity and mortality. Bad outcome mostly caused by any comorbidity such as diabetic mellitus. Prevalens and impact of diabetes in Indoensia was high so there was high corncern of diabetic effect on COVID-19 bad outcome. Bad outcome in this study refers to intensive care hospitalization, mechanichal ventilation support and death. This study try to analyze whether metabolic parameter HbA1c, random blood glucose (RBG) and lipid profile at 48 hours admission can be used for predicting COVID-19 bad outcome. Sixty six data from patient consist of each 33 bad and good outcome was collected in this study. There is significant association between bad outcome to mean difference HbA1c, RBG and lipid profile but there is no significant association in HDL, LDL and total cholesterol. HbA1c, RBG, and triglyserida have Area Under the Curve (AUC) 71,1% ;71,9 and 66,7%. Regression logistic analysis generate bad outcome prediction model using triglyseride >155,4 mg/dL, RBG >122,5 mg/dL, and whether or not hypertension, renal disease and other comorbidity."

"Metode Penelitian: Penelitian ini menggunakan metode deskriptif studi potong lintang secara consecutive sampling. Mengggunakan data sekunder dari penelitian induk pada bulan Mei 2020. Subjek merupakan dokter spesialis paru dan dokter residen paru anggota Perhimpunan Dokter Paru Indonesia wilayah Jakarta. Hasil Penelitian: Pada penelitian ini didapatkan subjek penelitian adalah 134 subjek yang masuk dalam kriteria inklusi, dengan 53 subjek dari kelompok spesialis paru dan 81 subjek dari kelompok residen paru .Jenis kelamin paling banyak adalah perempuan sebanyak 87 orang (65%), rerata usia 38,36 (±9,54) tahun dan paling banyak berdomisili di Jakarta timur yaitu 52 subjek (39%). Lama kerja subjek penelitian rata-rata lima jam sehari di zona merah. Kekerapan kejadian COVID-19 pada seluruh total subjek penelitian adalah 9 subjek (6,7%) dengan luaran derajat ringan. Komorbid paling banyak asma yaitu 17 subjek (13%). Ditemukan hubungan bermakna antara penggunaan alat trasportasi umum berupa taksi online dengan kejadian COVID-19 pada subjek penelitian.Kesimpulan: Kekerapan kejadian COVID-19 pada dokter spesialis paru dan residen paru anggota Perhimpunan Dokter Paru Indonesia wilayah Jakarta adalah sebanyak 6,7% dengan luaran mayoritas derajat ringan. Ditemukan hubungan bermakna antara penggunaan alat trasportasi umum berupa taksi online dengan kejadian COVID-19 pada subjek penelitian.

---

Background: Coronavirus disease 2019 (COVID-19) is an infection by severe acute respiratory syndrome Coronavirus 2 (SARS-COV-2) with a high transmission rate in Indonesia. We concern that transmission rate of COVID-19 among healthcare worker whose contact with COVID-19 patients is high, about 3.8% occurred in China in February 2020. Data in Indonesia from the Indonesian Doctors Association recorded about 80 specialist doctors transmitted with COVID-19 from their patients in April 2020. High transmission can occur due to close contact and several other things that affecting such as variations in immunity status of each individual. Proper preventive procedures are needed in an effort to prevent COVID-19 transmission, especially among healthcare worker.

Methods: This study uses descriptive study cross-sectional methods with consecutive sampling. Using secondary data from the main study in May 2020. The subjects are pulmonologist and pulmonology resident member of The Indonesia Society of Respirology in Jakarta.

Results: The study with 134 subjects suitable with inclusion criteria, with 53 subjects from the pulmonologist group and 81 subjects from the pulmonology resident group. Women are the most common 87 subjects (65%), the mean age was 38,36 (±9,54) years and most of them live in east Jakarta 52 subjects (39%). Median of working duration in red zone was five hours in a day. The frequency of COVID-19 incidence in all total subjects was 9 subjects (6.7%) with majority mild outcome in degrees severity. Asthma is the most comorbid in 17 subjects (13%). There is a relationship between using of public transportation in the setting of online taxis and the incidence of COVID-19 in the study subjects.

Conclusion: The frequency of COVID-19 incidence in pulmonologist and pulmonology residents members of The Indonesia Society of Respirology in Jakarta is 6.7% with a majority mild outcome in degrees severity. There is a relationship between using of public transportation in the setting of online taxis and the incidence of COVID-19 in the study subjects."