Pengelolaan Manajemen Kemiskinan Ekstrem Terhadap Penurunan Angka Stunting Di Kabupaten Musi Banyuasin
Bibliographic record
Abstract
Penurunan angka stunting menjadi salah satu fokus utama dalam pembangunan kesehatan di Indonesia, terutama di daerah-daerah dengan tingkat kemiskinan ekstrem yang tinggi. Kabupaten Musi Banyuasin merupakan salah satu wilayah yang menghadapi permasalahan kemiskinan ekstrem dan angka stunting yang signifikan. Penelitian ini bertujuan untuk menganalisis pengelolaan manajemen kemiskinan ekstrem terhadap penurunan angka stunting di Kabupaten Musi Banyuasin. Metode yang digunakan adalah pendekatan deskriptif kualitatif dengan pengumpulan data melalui Teknik menganalisis reduksi, penyajian data, verifikasi dan dianalisis secara kualitatif deskriptif. Hasil penelitian menunjukkan bahwa manajemen kemiskinan ekstrem yang melibatkan berbagai program pemerintah, seperti pemberian bantuan sosial, pemberdayaan ekonomi keluarga, peningkatan akses terhadap pelayanan kesehatan, serta program peningkatan gizi, memiliki kontribusi signifikan dalam penurunan angka stunting. Meskipun demikian, masih terdapat tantangan dalam implementasi, seperti keterbatasan infrastruktur, kurangnya kesadaran masyarakat tentang pentingnya gizi, dan kurangnya koordinasi antara berbagai pihak terkait. Penelitian ini menyimpulkan bahwa keberhasilan penurunan kemiskinan ekstrem dalam menurunkan angka stunting di Kabupaten Musi Banyuasin dengan mengadopsi prinsip-prinsip pengelolaan manajemen, memerlukan sinergi antara pemerintah, masyarakat, dan sektor swasta, serta fokus pada peningkatan kualitas pelayanan dasar yang meliputi kesehatan, pendidikan, dan pangan.
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) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.003 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.000 | 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; both teacher heads agree on what is shown here.
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".