PENANGGULANGAN GIZI BURUK PADA DOKTER DAN PETUGAS GIZI PUSKESMAS DI DINAS KESEHATAN KABUPATEN TANAH DATAR
Bibliographic record
Abstract
Gizi buruk merupakan salah satu masalah gizi yang ditentukan berdasarkan indikator antropometri berat badan menurut tinggi atau panjang badan (BB/TB) dengan z-skor BB/TB <-3 SD dan ada atau tidaknya odema. Masalah gizi buruk banyak terdapat di negara miskin dan berkembang seperti negara Indonesia. Berdasarkan Profil Kesehatan Indonesia Tahun 2015, sebanyak 26.518 Balita mengalami gizi buruk dengan prevalensi gizi buruk sebanyak 3,8% di Indonesia. Penanganan masalah gizi yang ada saat ini, tidak bisa hanya oleh pemerintah saja, namun perlu keterlibatan dan dukungan dari pemangku kepentingan lain seperti unsur perguruan tinggi. Tujuan kegiatan ini adalah untuk meningkatkan pengetahuan dokter dan petugas yang bekerja di Puskesmas se Kabupaten Tanah Datar dalam penanggulangan gizi buruk. Metode yang digunakan adalah pelatihan (capacity building). Pelatihan diberikan kepada stake holder Puskesmas tentang upaya peningkatan status gizi anak melalui kelas ibu balita, pengukuran status gizi anak yang mengikuti posyandu, pemberian edukasi gizi bagi ibu balita melalui kelas ibu balita dan pemantauan asupan gizi dan gizi balita. Sasaran utama dalam pelaksanaan kegiatan ini adalah dokter, petugas gizi dan petugas KIA seluruh puskesmas yang ada di Kabupaten Tanah Datar. Dari kegiatan ini diharapkan dapat meningkatkan pengetahuan tenaga kesehatan dalam penanggulangan stunting di wilayah Kabupaten Tanah Datar. Terjadi peningkatan pengetahuan petugas kesehatan dengan rata-rata nilai pre-test 8,9 meningkat menjadi 9,3 pada post test. Dengan adanya kegiatan ini maka diharapkan dapat menurunkan angka gizi buruk dan kematian pada anak dimulai dari lingkup wilayah Kabupaten Tanah Datar.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.020 | 0.003 |
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".