PEMETAAN DISTRIBUSI KEJADIAN DAN FAKTOR RISIKO STUNTING DI KABUPATEN BANGLI TAHUN 2019 DENGAN MENGGUNAKAN SISTEM INFORMASI GEOGRAFIS
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,032 | 0,009 |
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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».