Penguatan Kapasitas Manajemen Data Berbasis Digital Health untuk Pencegahan Stunting
Notice bibliographique
Résumé
ABSTRAK Stunting merupakan masalah kurang gizi kronis yang disebabkan oleh kurangnya asupan bergizi dalam jangka waktu lama. Stunting menjadi masalah serius karena berhubungan dengan risiko kegagalan pertumbuhan dan perkembangan anak. Secara tidak langsung hal tersebut akan mempengaruhi produktivitas ekonomi suatu negara. Prevalensi stunting di Kabupaten Sukoharjo tahun 2022 sebesar 19,8%. Angka tersebut belum memenuhi target Rencana Pembangunan Jangka Menengah Nasional (RPJMN) tahun 2024 sebesar 14%. Upaya penurunan angka stunting memerlukan kerjasama dari berbagai pihak. Salah satunya melalui penguatan kapasitas kader posyandu dan orangtua. Posyandu Dahlia merupakan salah satu posyandu yang berada di wilayah Kecamatan Bendosari, Sukoharjo. Manajemen data kesehatan yang dilakukan di posyandu sebatas pencatatan berat badan dan tinggi badan tanpa dilakukan interpretasi dan analisis data. Selain itu pengetahuan kader dan orang tua terkait stunting juga belum baik. Kegiatan pengabdian bertujuan meningkatkan kapasitas kader posyandu dan orangtua terkait manajemen data kesehatan dengan memanfaatkan aplikasi berbasis digital health. Kegiatan pengabdian dilakukan melalui focus group discussion dan pelatihan penggunaan aplikasi pemantauan pertumbuhan dan perkembangan anak berbasis digital health. Setelah dilakukan kegiatan pengabdian kepada masyarakat, terdapat beberapa perubahan pada mitra yang dilihat dari peningkatan pengetahuan terkait stunting dengan nilai rata-rata pretest 47,06 menjadi nilai rata-rata posttest 86,47 serta kader posyandu dan orangtua mampu melakukan pemantauan pertumbuhan dan perkembangan anak menggunakan aplikasi berbasis digital health. Kata Kunci: Digital Health, Manajemen Data, Posyandu ABSTRACT Stunting is a chronic malnutrition problem caused by a long-term lack of nutritious intake. Stunting is a serious problem because it is associated with the risk of failure in growth and development of children. Indirectly this will affect economic productivity of a country. The prevalence of stunting in Sukoharjo Regency is 19.8%. This number does not achieve RPJMN 2024 target as many as 14%. Stunting reduction require collaborative work at all levels. Strengthening capacity of posyandu cadres and parents is one way to prevent stunting. Posyandu Dahlia is one of the posyandu in Bendosari District, Sukoharjo. Health data management at posyandu was limited to data collection without data interpretation and analysis. Cadres’ and parents’ knowledge about stunting was not enough. This community empowerment aimed to increase capacity of posyandu cadres and parents for stunting prevention by utilizing digital health-based applications. This program were carried out through focus group discussions and use of digital health-based child growth and development monitoring applications training. This community empowerment results was increase posyandu cadres’ and parents’ knowledge about stunting with average pretest score 47.06 to average posttest score 86.47. In addition, posyandu cadres and parents can monitor growth and development using digital health-based applications. Keywords: Digital Health, Data Management, Posyandu
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 | 0,005 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,008 | 0,006 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,111 | 0,027 |
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 ».