REFRESHING PENYULUHAN TANDA-TANDA BAHAYA KEHAMILAN MENGGUNAKAN BUKU KIA PADA KELAS IBU HAMIL DI WILAYAH KERJA PUSKESMAS KARANG PULE
Bibliographic record
Abstract
Komplikasi kehamilan dan persalinan penyebab utama kematian wanita pada usia reproduksi. Lebih dari satu wanita meninggal setiap menit dari penyebab komplikasi, atau ini berarti 585.000 wanita meninggal setiap tahun. AKI di Indonesia secara nasional sebesar 390 per 100.000 kelahiran hidup dan merupakan angka tertinggi dibanding dengan Negara-negara ASEAN lainnya (SDKI, 2013), dengan meningkatnya pengetahuan tentang tanda bahaya pada kehamilan, maka dapat membantu menurunkan AKI, karena ibu hamil memiliki bekal informasi tempat pelayanan kesehatan sebagai upaya deteksi dini. Tujuan pengabdian ini untuk memberikan penyuluhan tentang tanda-tanda bahaya pada ibu hamil. Metode Pengabdian ini menggunakan jenis observasional dengan rancangan cross sectional. Sasaran responden pengabdian yaitu ibu hamil trimester I, II dan III sejumlah 25 responden yang berada di Wilayah Kerja Puskesmas Karang Pule. Teknik pengambilan sampel dengan aksidental sampling, pelaksanaan pengabdian dengan melakukan pre test dan post test tentang pengetahuan ibu hamil sebelum diberikan penyuluhan dan setelah diberikan penyuluhan. Hasil Pengabdian ini didapatkan pengetahuan responden tentang tanda-tanda bahaya kehamilan mengalami peningkatan dengan nilai rata-rata pre test sebesar 7.8 menjadi 9.2 saat post test dan keseluruhan responden memiliki pengetahuan baik sebanyak 25 responden (100%). Kesimpulan dari pengabdian ini bahwa didapatkan pengaruh baik dari hasil penyuluhan tentang tanda-tanda bahaya kehamilan pada seluruh responden.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 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 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.016 | 0.002 |
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".