DETERMINAN STATUS PENGGUNAAN METODE KONTRASEPSI JANGKA PANJANG DI INDONESIA TAHUN 2017
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Indonesia saat ini masih memiliki berbagai masalah kependudukan. Tingginya angka fertilitas dan laju pertumbuhan penduduk yang tidak seiring dengan peningkatan kualitas penduduk akan berimbas pada beratnya beban pemerintah dalam mensejahterakan rakyatnya. Berbagai cara telah diupayakan pemerintah guna menekan angka fertilitas, salah satunya melalui program Keluarga Berencana (KB) dengan penggunaan alat/cara kontrasepsi. Dari berbagai jenis metode, Badan Kependudukan dan Keluarga Berencana Nasional (BKKBN) mengemukakan bahwa Metode Kontrasepsi Jangka Panjang (MKJP) merupakan metode kontrasepsi paling efektif dengan tingkat keberhasilan melebihi 95 persen. Namun, hasil Survei Demografi dan Kesehatan Indonesia (SDKI) tahun 2017 menyatakan hanya 13,2 persen wanita usia subur (WUS) berstatus kawin yang menggunakan MKJP, padahal target paruh waktu Rencana Pembangunan Jangka Menengah Nasional (RPJMN) pada 2016 harus mencapai 21,1 persen. Melihat rendahnya capaian tersebut, penelitian ini bertujuan untuk menganalisis determinan status penggunaan MKJP di Indonesia tahun 2017 menggunakan regresi logistik biner yang mengakomodir penimbang survei. Data sekunder diperoleh dari raw data hasil SDKI 2017. Hasil analisis deskriptif menunjukkan bahwa secara umum hanya sebesar 21,05 persen pengguna MKJP di Indonesia tahun 2017. Selanjutnya, berdasarkan hasil analisis inferensia, diperoleh variabel umur WUS, tingkat pendidikan WUS, umur kawin pertama WUS, Anak Lahir Hidup, akses informasi KB, pengambil keputusan ber-KB, umur suami, dan tingkat pendidikan suami signifikan memengaruhi status penggunaan MKJP pada penelitian ini.
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.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 découle