Abstrak: Kondisi pandemi COVID-19 memerlukan respon cepat dari Puskesmas dalam memberikan layanan pengobatan TB yang mengutamakan keamanan medikasi. Disertasi ini bertujuan untuk mengetahui pengaruh aplikasi ERLINA (e-Empowerment Resource for Lowering Ignorance and Negligence Action in therapy) terhadap keamanan medikasi tuberculosis di DKI Jakarta. Tujuan khusus adalah mengidentifikasi prediktor (faktor pasien, faktor staf, faktor fasilitas kesehatan, dukungan keluarga, faktor pengobatan, dan Pengawas Menelan Obat) keamanan medikasi pasien tuberculosis di tingkat Puskesmas, menyusun model intervensi keamanan medikasi, mengetahui user experience aplikasi ERLINA, mengetahui nilai net promoter score dari aplikasi ERLINA, dan mengetahui pengaruh aplikasi ERLINA terhadap perubahan kualitas hidup pasien. Jenis penelitian adalah operational research. Penelitian didahului dengan pengembangan model prediktif keamanan medikasi (dilakukan dengan studi kualitatifkuantitatif), pengembangan model intervensi (melalui studi kualitatif), dan penilaian pengaruh aplikasi (dengan desain kuasi eksperimental). Penetapan sampel dilakukan dengan purposive sampling (untuk studi kualitatif) dan cluster random sampling (untuk studi kuantitatif). Penelitian dilakukan mulai Maret 2021-Februari 2022. Tahap 1 melibatkan 13 orang sebagai informan wawancara mendalam. Hasil riset tahap 1 menyatakan bahwa faktor yang mempengaruhi keamanan medikasi adalah pasien, sosial, petugas, layanan kesehatan, budaya organisasi, obat, dan eksternal. Tahap 2 melibatkan 186 pasien. Determinan keamanan medikasi adalah pengetahuan, merokok, pendapatan, dan komunikasi petugas-pasien. Tahap 3 melibatkan 15 orang dan menghasilkan output model intervensi serta Aplikasi ERLINA. Model intervensi spesifik diberikan pada pasien dengan pengetahuan sangat kurang dan kurang, merokok, atau berpendapatan tinggi. Aplikasi dikembangkan dengan fungsi pencegahan individual, sistem pendukung keputusan dan telehealth, pemantauan jarak jauh, serta pengingat. Tahap 4 diikuti oleh 101 pasien dan menunjukkan bahwa Aplikasi ERLINA meningkatkan keamanan medikasi sebesar 6,2 kali; pengetahuan cukup&baik 18,4 kali; dan rerata perubahan kualitas hidup sebesar 9,5 poin beserta peningkatan semua dimensi kualitas hidup. Net promoter score menunjukkan skor 100% dan user experience masuk dalam kategori excellent. Diharapkan pemangku kebijakan dapat mendorong penguatan pencegahan individual agar lebih akurat. Aplikasi ERLINA sebagai salah satu bentuk alat pemantauan jarak jauh perlu disinkronkan dengan Sistem Informasi Tuberculosis agar meningkatkan manfaat dan penggunaannya

Abstrak:

---

Abstrak:

Abstrak: Mulai Januari 2014, Indonesia telah menerapkan sistem Jaminan Kesehatan Nasional (JKN). JKN diselenggarakan oleh Badan Penyelenggaraann Jaminan Kesehatan Nasional (JKN). Dimulainya sistem jaminan kesehatan menyebabkan banyaknya antrian yang terjadi di kantor Cabang BPJS Kesehatan 2500 pengunjung perhari pada 2015 sehingga melatarbelakangi BPJS Kesehatan meluncurkan program inovasi yaitu aplikasi Mobile JKN pada November 2017. Saat ini peserta BPJS Kesehatan baru mencapai 1 % yang menggunakan aplikasi Mobile JKN dan juga masih banyaknya pengembangan fitur yang ada dalam aplikasi Mobile JKN. Hal tersebut yang melatarbelakangi penelili untuk mengetahui gambaran implementasi penggunaan aplikasi Mobile JKN di fasilitas kesehatan tingkat pertama provider BPJS Kesehatan Cabang Jakarta Selatan. Metode penelitian ini adalah penelitian kualitatif. Metode yang digunakan dalam pengumpulan data yaitu wawancara mendalam dan observasi. Hasil dari penelitian ini adalah pengguna aplikasi Mobile JKN menyatakan bahwa penggunaan aplikasi Mobile JKN sangat bermanfaat dan memudahkan peserta BPJS Kesehatan dalam mengakses informasi dan pelayanan BPJS Kesehatan dan masih banyak masukan saran untuk pegembangan aplikasi Mobile JKN, namun aplikasi Mobile JKN telah memberikan manfaat bagi peserta dan juga petugas BPJS Kesehatan.
Kata kunci : Aplikasi Mobile JKN, JKN, Fasilitas Kesehatan Tingkat Pertama

---

Starting in January 2014, Indonesia has implemented a National Health Insurance (JKN) system. JKN is organized by the National Health Insurance Agency (JKN). Starting of the health insurance system caused a lot of queues in the BPJS Kesehatan office 2500 visitors in a day in 2015 so that the background of BPJS Kesehatan launched the innovation program, there is the JKN Mobile application in November 2017. Currently BPJS Kesehatan participants reach 1% who use the Mobile JKN application and also there are still many feature developments in the JKN Mobile application. This background of the researcher to find out overview of implementation of the Mobile JKN application usage in the primary healthcare provider of BPJS Kesehatan South Jakarta. This research method is qualitative research. The method used in data collection is indepth interviews and observation. The results of this study are JKN Mobile application users stated that the use of the JKN Mobile application is very useful and makes it easier for BPJS Health participants to access BPJS Health information and services and there are still many suggestions for developing the JKN Mobile application, but the JKN Mobile application has provided benefits to participants and also BPJS Kesehatan officers
Key words : JKN Mobile Applications, JKN, Primary Healthcare

Abstrak:

---

The tuberculosis treatment success rate in Indonesia in 2023 did not reach the 90% target. Treatment success impacts the reduction of infection spread and drug resistance cases, making early prediction of treatment success crucial. This study aims to develop a machine-learning model to predict treatment success. Data from Indonesia's Tuberculosis Information System (SITB) cohort was used. The study included productive-age patients (15-64 years) diagnosed with drug-sensitive tuberculosis who received treatment from January 1, 2020, to December 31, 2023. Data was randomly split into training (80%) and testing (20%) sets for model validation, with cross-validation performed. The algorithms used include decision tree, random forest, multilayer perception, extreme gradient boosting, and logistic regression. A consensus was reached for decision-making variables required in performing machine learning-based modeling of SITB data to predict treatment success using modeling of SITB data to predict treatment success using the Delphi method. The results of the study show that the random forest machine learning algorithm had the best performance and highest accuracy in predicting treatment success. This machine learning–based prediction tool can provide early predictions with SHAP (SHapley Additive ExPlanations) interpretation, helping healthcare workers make informed decisions more easily.

 

Abstrak:

---