CLASSIFICATION AND REGRESSION TREE (CART) DALAM KLASIFIKASI KEMANDIRIAN HIDUP BERDASARKAN KONDISI KESEHATAN LANSIA DI KELURAHAN KASIN WILAYAH KERJA PUSKESMAS BARENG KOTA MALANG
Bibliographic record
Abstract
Latar belakang:Lansia harus mampu beradaptasi dengan semua perubahan-perubahan yang terjadi dalam kehidupannya. Kemampuan lansia untuk beradaptasi dengan perubahan hidup dapat membantu menurunkan angka Dependency Ratio. Dependency Ratio dapat diminimalkan melalui tercapainya kemandirian hidup lansia. Kondisi kesehatan merupakan salah satu faktor yang berkaitan erat dengan kemampuan lansia untuk hidup secara mandiri di masa tuanya.
 Tujuan: Penelitian ini bertujuan untuk mengidentifikasi lansia dalam kemandirian hidupnya di Kelurahan Kasin Wilayah Kerja Puskesmas Bareng Kota Malang melalui pendekatan kondisi kesehatan.
 Metode: Berdasarkan waktu penelitianini tergolong crossectional dengan responden lansia berusia 60 tahun ke atas di Kelurahan Kasin wilayah kerja Puskesmas Bareng Kota Malang sejumlah 142 yang diperoleh melalui multistage random sampling. Instrumen yang digunakan IADL, sfigmomanometer, Snellen test, Abbreviated Mentaltest (AMT), Geriatric Depression Scale (GDS), beserta kuesioner identifikasi kondisi dan persepsi lansia terhadap kondisi kesehatannya. CART digunakan untuk klasifikasi kemandirian lansia dengan software Salfold Predictive Modeller.
 Hasil: Hasil klasifikasi menunjukkan sejumlah 78,2% lansia tergolong mandiri, dengan karakteristik memiliki menu makan harian tertentu, memiliki fungsi pendengaran normal atau ada gangguang, memiliki persepsi kesehatan saat ini lebih baik, memiliki gangguan muskuloskeletal, dan tidak mengonsumsi obat. Pemilah terbaik berdasarkan nilai goodness of split adalah menu harian yang dikonsumsi lansia 0,1125041, persepsi kesehatan saat ini 0,0813413, fungsi pendengaran 0,0652887, Gangguan muskuloskeletal 0,0204411, konsumsi obat 0,0002492. Nilai akurasi yang diperoleh 69,72%, nilai sensitivity 71,17% dan nilai specificity64,52%.
 Kesimpulan: Menu harian yang dikonsumsi lansia dan persepsi terhadap kesehatan saat ini merupakan variabel yang berkontribusi dalam kemandirian lansia berdasarkan faktor kondisi kesehatan, sedangkan penggunaan tangga, aktivitas fisik sehari-hari, melakukan perbaikan rumah merupakan kapasitas fungsional yang memberikan kontribusi pada kemandirian lansia.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.001 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".