Aceh Government’s Efforts to Reduce Stunting Through Rumoh Gizi Gampong Program in Indonesia
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
Stunting remains a persistent public health challenge in Aceh Province, where prevalence rates continue to exceed the national average despite the implementation of various nationwide programs. This study critically examines the Rumoh Gizi Gampong (RGG) initiative in Sabang City as a locally driven response to the crisis of stunted growth. Using a qualitative case study design that incorporates interviews, observations, and document analysis, the research highlights that RGG functions not only as a nutritional intervention but also as a collaborative governance model, integrating local government, health agencies, women’s groups (PKK), and village communities. The findings revealed that Sabang City has achieved a significant reduction in stunting prevalence (from 25% in 2019 to 19.6% in 2024) through the strengthening of RGG and its integration with DAHSAT and Genaseh programs. These results emphasized the adaptability, cross-sectoral coordination, and sustainability of the program. By applying Parsons’ AGIL framework alongside collaborative governance literature, the study shows how adaptation to budget constraints, clear goal-setting, inter-agency integration, and the maintenance of socio-cultural values collectively contribute to program success. The novelty of this research lies in connecting macro-functionalist theory with community-based governance practices in Aceh, thereby offering both theoretical and practical contributions to understanding Aceh Government’s efforts to reduce stunting through the Rumoh Gizi Gampong program.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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