PEMETAAN DISTRIBUSI KEJADIAN DAN FAKTOR RISIKO STUNTING DI KABUPATEN BANGLI TAHUN 2019 DENGAN MENGGUNAKAN SISTEM INFORMASI GEOGRAFIS
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

 
 
 ABSTRAK 
 Berdasarkan hasil Riskesdas 2018, Kabupaten Bangli menempati urutan pertama sebagai kebupaten dengan proporsi stunting tertinggi di Provinsi Bali, sebesar 43,2%. Kejadian stunting dipengaruhi oleh multi faktor termasuk kewilyahan, geografis, bahkan demografis suatu wilayah. Penggambaran stunting dengan menggunakan SIG (Sistem Informasi Geografi) bermanfaat untuk mengetahui pola penyebaran kejadian stunting dan kaitan kejadian stunting dengan faktor risiko stunting pada suatu wilayah. Penelitian ini menggunakan rancangan crossectional deskriptif dengan menampilkan data sekunder sebaran jumlah kasus stunting dan faktor risikonya dengan pengolahan data dilakukan menggunakan aplikasi pengolahan peta dalam proses SIG. Hasil penelitian menggambarkan kasus stunting tersebar di seluruh kecamatan dengan kasus tertinggi ada di Kecamatan Susut dan yang terendah di Kecamatan Bangli. Pada beberapa daerah dengan kasus stunting yang tinggi berada jauh dari layanan puskesmas. Wilayah Kabupaten Bangli didominasi daerah rural dengan sebaran kasus yang banyak terdapat di wilayah rural. Kasus stunting banyak dijumpai di wilayah dataran sedang dan pegunungan. Beberapa wilayah yang memiliki cakupan Jamban Sehat Permanen (JSP) rendah memiliki kasus stunting yang tinggi. Pola kasus stunting di Kabupaten Bangli tahun 2019 beserta faktor risikonya dapat digambarkan melalui peta sebaran kasus stunting dan layering tiap faktor risikonya. Disarankan agar dapat mempertimbangkan peta sebaran stunting dalam pengambilan kebijakan penanganan stunting di Kabupaten Bangli. 
 Kata kunci: Stunting, Pemetaan, SIG 
 
 
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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