PEMETAAN DISTRIBUSI KEJADIAN DAN FAKTOR RISIKO STUNTING DI KABUPATEN BANGLI TAHUN 2019 DENGAN MENGGUNAKAN SISTEM INFORMASI GEOGRAFIS
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract

 
 
 ABSTRAK 
 Berdasarkan hasil Riskesdas 2018, Kabupaten Bangli menempati urutan pertama sebagai kebupaten dengan proporsi stunting tertinggi di Provinsi Bali, sebesar 43,2%. Kejadian stunting dipengaruhi oleh multi faktor termasuk kewilyahan, geografis, bahkan demografis suatu wilayah. Penggambaran stunting dengan menggunakan SIG (Sistem Informasi Geografi) bermanfaat untuk mengetahui pola penyebaran kejadian stunting dan kaitan kejadian stunting dengan faktor risiko stunting pada suatu wilayah. Penelitian ini menggunakan rancangan crossectional deskriptif dengan menampilkan data sekunder sebaran jumlah kasus stunting dan faktor risikonya dengan pengolahan data dilakukan menggunakan aplikasi pengolahan peta dalam proses SIG. Hasil penelitian menggambarkan kasus stunting tersebar di seluruh kecamatan dengan kasus tertinggi ada di Kecamatan Susut dan yang terendah di Kecamatan Bangli. Pada beberapa daerah dengan kasus stunting yang tinggi berada jauh dari layanan puskesmas. Wilayah Kabupaten Bangli didominasi daerah rural dengan sebaran kasus yang banyak terdapat di wilayah rural. Kasus stunting banyak dijumpai di wilayah dataran sedang dan pegunungan. Beberapa wilayah yang memiliki cakupan Jamban Sehat Permanen (JSP) rendah memiliki kasus stunting yang tinggi. Pola kasus stunting di Kabupaten Bangli tahun 2019 beserta faktor risikonya dapat digambarkan melalui peta sebaran kasus stunting dan layering tiap faktor risikonya. Disarankan agar dapat mempertimbangkan peta sebaran stunting dalam pengambilan kebijakan penanganan stunting di Kabupaten Bangli. 
 Kata kunci: Stunting, Pemetaan, SIG 
 
 
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.
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 | 0.005 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.004 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 it