Hubungan Karakteristik Ibu Dengan Kejadian Bayi Berat Lahir Rendah (BBLR) di Wilayah Kabupaten Kunigan
Notice bibliographique
Résumé
Berat bayi lahir rendah (BBLR) masih menjadi permasalahan di negara berkembang. Berdasarkan laporan riset kesehatan dasar tahun 2013 menunjukan bahwa proporsi BBLR di Indonesia yaitu 10.2 %. Adapun prevalensi kejadian BBLR di Jawa Barat pada tahun 2010 sampai 2013 tidak mengalami penurunan yang signifikan. Berdasarkan hasil laporan pemerintah Provinsi Jawa Barat, Kabupaten Kuningan mengalami kenaikan angka kejadian BBLR yaitu dari sebanyak 1101 kasus BBLR pada tahun 2014 hingga 1185 kasus pada tahun 2015 dari total kelahiran hidup. Kabupaten Kuningan merupakan Kabupaten yang menempati urutan keenam tertinggi kasus BBLR di wilayah Jawa Barat. Tujuan penelitian ini adalah untuk mengetahui mengetahui hubungan karakteristik ibu hamil dengan kejadian BBLR. Penelitian dilakukan di Kabupaten Kuningan. Jenis penelitian menggunakan desain kasus kontrol. Populasi penelitian adalah ibu hamil yang melahirkan pada periode waktu Januari 2017 sampai dengan Maret 2018 di wilayah Puskesmas Manggari Kabupaten Kuningan. Adapun besar sampel dalam penelitian yaitu total sampling sebanyak 27 orang dengan ratio 1:1. Sehingga jumlah sampel sebanyak 54 orang. Instrumen penelitian berupa kuesioner. Analisis data dilakukan melalui analisis univariat dan bivariat (uji chi-squre). Hasil penelitian menunjukan ibu dengan latar belakang umur berisiko memiliki proporsi kejadian BBLR sebanyak 57,1%. Latar belakang pendidikan ibu pada kelompok kasus merupakan lulusan sekolah menengah dan lebih tinggi (66,7%), adapun pada kelompok kontrol lebih dari setengahnya berlatar belakang pendidikan sekolah menengah ke bawah (52,1 %). Perbedaan proporsi karakteritik ibu berdasarkan umur, pekerjaan dan pendidikan pada ibu antara kelompok kasus (BBLR) dan kontrol (Non BBLR), tidak berbeda secara signifikan.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,016 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,011 | 0,004 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».