FAKTOR YANG MEMENGARUHI KUNJUNGAN MASYARAKAT DALAM PEMANFAATAN POSBINDU PENYAKIT TIDAK MENULAR DI WILAYAH KERJA PUSKESMAS SINGKIL UTARA TAHUN 2019
Notice bibliographique
Résumé
Penyakit tidak menular telah menjadi masalah kesehatan masyarakat dan dapat dicegah dengan mengendalikan faktor risikonya melalui program Posbindu yang sampai saati kunjungan masyarakat di bawah 100%. Hasil rekapitulasi kunjungan PTM di Puskesmas Singkil Utara tahun 2016 sebanyak 496 orang (3 Posbindu) tahun 2017 sebanyak 958 (16,3%) dari jumlah sasaran 5.891 orang (7 Posbindu PTM) dan tahun 2018 periode Januari sampai Juli 2018 sebanyak 2.012 orang (32,7%) dari 6.152. Tujuan penelitian adalah untuk menganalisis pengaruh faktor pekerjaan, pengetahuan, sikap, dukungan tenaga kesehatan, dukungan kader, dukungan keluarga dan dukungan tokoh masyarakat terhadap kunjungan masyarakat dalam pemanfaatan Posbindu di Wilayah Kerja Puskesmas Singkil Utara Tahun 2019. Jenis penelitian adalah kualitatif menggunakan desain Case Control. Populasi sebanyak 134 orang dengan sampel sebanyak kasus sebanyak 134 dan kontrol (tidak obesitas) 134 orang diambil dengan maching jenis kelamin dan umur. Teknik pengumpulan data menggunakan kuesioner. Data dianalisis dianalisis secara univariat, bivariat dan multivariat menggunakan uji regresi logistik berganda pada taraf kemaknaan 95%. Faktor pengetahuan, sikap, dukungan tenaga kesehatan, dukungan kader, dan dukungan keluarga pengaruh terhadap kunjungan dalam pemanfaatan posbindu dan memengaruhi sebesar 79%. Faktor dukungan keluarga dominan memengaruhi dengan nilai Exp (B) sebesar 9,150. Faktor pekerjaan dan dukungan tokoh masyarakat tidak pengaruh Kader diharapkan memberikan penyuluhan tentang program PTM secara kontinyu dan menambah berbagai kegiatan lainnya seperti masak-memasak dan senam untuk meningkatkan ketertarikan masyarakat. Kata Kunci : Loyalitas, Pasien Rawat Inap
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 ».