Monte Carlo Prediksi Tingkat Prevalensi Stunting Kabupaten Lima Puluh Kota Menggunakan Metode Monte Carlo
Notice bibliographique
Résumé
Stunting merupakan kondisi gagal tumbuh pada anak balita (bayi di bawah lima tahun) akibat dari kekurangan gizi kronis sehingga anak terlalu pendek untuk usianya. Menurut data yang ada, angka prevalensi stunting di Kabupaten Lima Puluh Kota tahun 2020 cukup tinggi yakni sebesar 8,28%. Hal ini menjadi perhatian pemerintah pusat dengan menetapkan Kabupaten Lima Puluh Kota sebagai salah satu Kabupaten/Kota Lokasi Fokus Intervensi Penurunan Stunting Terintegrasi Secara Nasional. Hasil penelitian ini bertujuan untuk membantu Pemerintah Kabupaten Lima Puluh Kota dalam perencanaan konvergensi program/intervensi sebagai salah satu upaya percepatan pencegahan stunting dan menurunkan persentase balita stunting di Kabupaten Lima Puluh Kota. Data penelitian ini menggunakan angka prevalensi stunting dari tahun 2018 sampai tahun 2020 yang berasal dari data jumlah balita dan jumlah balita stunting dari 22 puskesmas yang berada di Kabupaten Lima Puluh Kota. Selanjutnya data tersebut diolah menggunakan metode Monte Carlo untuk memprediksi tingkat prevalensi stunting tahun 2021. Berdasarkan pengujian yang dilakukan menggunakan metode Monte Carlo, didapatkan hasil tingkat prediksi stunting yang tertinggi berada pada puskesmas Pakan Rabaa dan puskesmas Suliki dengan angka prevalensi stunting sebesar 11,70%. Adapun tingkat akurasi yang diperoleh sebesar 93,73 %. Metode Monte Carlo cocok digunakan untuk prediksi angka prevalensi stunting di Kabupaten Lima Puluh Kota dilihat dari tingkat akurasinya yang cukup tinggi dari hasil pengolahan data.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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; 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 ».