Inovasi Aplikasi Adhimukti Brata Care Stunting Berbasis AppSheet Untuk Pendataan Status Gizi Anak di Kabupaten Banggai
Notice bibliographique
Résumé
Stunting merupakan masalah kesehatan serius di Indonesia, termasuk di Kabupaten Banggai dengan prevalensi 29,1% pada tahun 2023. Keterlambatan intervensi sering terjadi akibat keterbatasan data gizi anak yang akurat, terbaru, dan mudah diakses. Penelitian ini bertujuan mendeskripsikan pengembangan Aplikasi Adhimukti Brata Care Stunting berbasis AppSheet sebagai solusi pendataan gizi anak secara real-time. Metode yang digunakan adalah research and development (R&D) dengan model prototyping, meliputi tahap analisis kebutuhan, perancangan, implementasi, uji coba teknis, dan penyempurnaan. Data diperoleh dari hasil uji coba aplikasi, observasi proses input, serta masukan pengguna awal yaitu petugas DP2KBP3A, PKB, dan kader posyandu. Hasil pengembangan menunjukkan aplikasi mampu mempercepat proses input dan monitoring data, mengurangi kesalahan pencatatan, serta mempermudah akses informasi untuk pengambilan keputusan. Perbandingan kondisi sebelum dan sesudah implementasi menunjukkan adanya peningkatan pada kecepatan pelaporan, akurasi data, dan kemudahan monitoring. Disimpulkan bahwa aplikasi ini dapat memperkuat sistem pendataan gizi anak dan mendukung respons lebih cepat dalam penanganan stunting di tingkat daerah, dengan catatan perlu adanya pelatihan berkelanjutan, dukungan regulasi, dan peningkatan kapasitas SDM.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,023 | 0,007 |
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 ».