FAKTOR YANG MEMENGARUHI KUNJUNGAN MASYARAKAT DALAM PEMANFAATAN POSBINDU PENYAKIT TIDAK MENULAR DI WILAYAH KERJA PUSKESMAS SINGKIL UTARA TAHUN 2019
Bibliographic record
Abstract
Penyakit tidak menular telah menjadi masalah kesehatan masyarakat dan dapat dicegah dengan mengendalikan faktor risikonya melalui program Posbindu yang sampai saati kunjungan masyarakat di bawah 100%. Hasil rekapitulasi kunjungan PTM di Puskesmas Singkil Utara tahun 2016 sebanyak 496 orang (3 Posbindu) tahun 2017 sebanyak 958 (16,3%) dari jumlah sasaran 5.891 orang (7 Posbindu PTM) dan tahun 2018 periode Januari sampai Juli 2018 sebanyak 2.012 orang (32,7%) dari 6.152. Tujuan penelitian adalah untuk menganalisis pengaruh faktor pekerjaan, pengetahuan, sikap, dukungan tenaga kesehatan, dukungan kader, dukungan keluarga dan dukungan tokoh masyarakat terhadap kunjungan masyarakat dalam pemanfaatan Posbindu di Wilayah Kerja Puskesmas Singkil Utara Tahun 2019. Jenis penelitian adalah kualitatif menggunakan desain Case Control. Populasi sebanyak 134 orang dengan sampel sebanyak kasus sebanyak 134 dan kontrol (tidak obesitas) 134 orang diambil dengan maching jenis kelamin dan umur. Teknik pengumpulan data menggunakan kuesioner. Data dianalisis dianalisis secara univariat, bivariat dan multivariat menggunakan uji regresi logistik berganda pada taraf kemaknaan 95%. Faktor pengetahuan, sikap, dukungan tenaga kesehatan, dukungan kader, dan dukungan keluarga pengaruh terhadap kunjungan dalam pemanfaatan posbindu dan memengaruhi sebesar 79%. Faktor dukungan keluarga dominan memengaruhi dengan nilai Exp (B) sebesar 9,150. Faktor pekerjaan dan dukungan tokoh masyarakat tidak pengaruh Kader diharapkan memberikan penyuluhan tentang program PTM secara kontinyu dan menambah berbagai kegiatan lainnya seperti masak-memasak dan senam untuk meningkatkan ketertarikan masyarakat. Kata Kunci : Loyalitas, Pasien Rawat Inap
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.033 | 0.006 |
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 source (direct Gemma or distilled Codex), 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".