Hasil Pencarian :: Kembali

  1. Beranda
  2. Hasil Pencarian
 Pencarian Spesifik
Ditemukan 41392 dokumen yang sesuai dengan query ::  Simpan CSV
cover
Rico Kurniawan; Promotor: Budi Utomo; Kopromotor: Kemal Nazaruddin Siregar, Kalamullah Ramli; Penguji: Anhari Achadi, Besral, Tris Eryando, Soewarta Kosen; Ruddy J. Suhatril
Abstrak:
Penelitian ini berfokus pada deteksi dini hipertensi untuk mengurangi risiko penyakit kardiovaskular. Menggunakan data Indonesia Family Life Survey, penelitian ini mengidentifikasi faktor seperti umur, gender, indeks massa tubuh, aktivitas fisik, dan denyut nadi sebagai prediktor utama hipertensi. Analisis menggunakan regresi panel multivariable dengan model fixed effect dan random effect menentukan variabel signifikan dalam variabilitas tekanan darah. Model Markov Multi Status digunakan untuk menghitung probabilitas perubahan status tekanan darah. Hasil menunjukkan bahwa model machine learning dengan algoritma regresi logistik efektif dalam mengklasifikasi hipertensi di Indonesia, ditunjukkan dengan nilai Area Under Curve (0.751 untuk pria dan 0.794 untuk wanita) dan Complete Accuracy yang tinggi (0.780 untuk pria dan 0.798 untuk wanita).. Model ini menggunakan prediktor non-invasif yang mudah diukur, dan algoritma regresi linier menunjukkan kinerja yang baik untuk data kontinu. Studi ini juga mengungkapkan probabilitas transisi tekanan darah dari normal ke hipertensi, pre hipertensi menjadi normal atau hipertensi, dan kemungkinan individu hipertensi untuk tetap dalam kondisi tersebut atau berubah status.Kesimpulan dari penelitian adalah metode deteksi ini efisien untuk lingkungan dengan sumber daya terbatas dan dapat diintegrasikan dalam program kesehatan masyarakat. Faktor sosiodemografi dan antropometri efektif sebagai estimator dalam prediksi status hipertensi.
This study focuses on early detection of hypertension to reduce cardiovascular disease risks. Utilizing data from the Indonesia Family Life Survey, it identifies key predictors of hypertension such as age, gender, body mass index, physical activity, and pulse rate. Multivariable panel regression analysis employing both fixed effect and random effect models was conducted to determine significant variables influencing blood pressure variability. A Markov Multi Status model was used to calculate the probabilities of transitioning between different blood pressure statuses. The results demonstrate that the machine learning model, employing logistic regression algorithms, is effective in classifying hypertension in Indonesia, evidenced by high Area Under Curve and Complete Accuracy values. This model utilizes easily measurable, non-invasive predictors. Moreover, the linear regression algorithm showed superior performance for continuous data. The study also reveals the probabilities of transitioning from normal to hypertensive states, from pre-hypertension to normal or hypertension, and the likelihood of individuals with hypertension maintaining or changing their status. In conclusion, this detection method is efficient for resource-limited environments and can be integrated into broader public health programs. Socio-demographic and anthropometric factors are effective as estimators in predicting hypertension status.
Read More
D-495
Depok : FKM-UI, 2024
S3 - Disertasi   Pusat Informasi Kesehatan Masyarakat
☉
cover
Hafshah Farah Fadhilah; Pembimbing: Rico Kurniawan; Penguji: Kemal Nazaruddin Siregar, Popy Yuniar, Muhammad Amin Bakri, Nikson Sitorus
Abstrak:
Penelitian ini bertujuan mengidentifikasi faktor risiko dan membangun model prediksi diabetes berbasis machine learning menggunakan data SKI 2023. Sampel terdiri dari individu usia ≥15 tahun. Analisis dilakukan melalui eksplorasi bivariat dan evaluasi sembilan algoritma prediktif. Hasil menunjukkan bahwa faktor usia ≥45 tahun, jenis kelamin, pendidikan, obesitas sentral, hipertensi, pola makan berisiko, dan aktivitas fisik berhubungan signifikan dengan diabetes. Algoritma AdaBoost memberikan performa terbaik (AUC 0,991). Penelitian ini menghasilkan mockup web "Diabetes Risk Assessment" yang berpotensi digunakan untuk skrining mandiri dan pencegahan dini di masyarakat.
This study aimed to identify risk factors and develop a diabetes risk prediction model using machine learning algorithms based on the 2023 Indonesian Health Survey (SKI). The sample included individuals aged ≥15 years who met the inclusion criteria. The analysis involved bivariate exploration and evaluation of nine machine learning algorithms. Results indicated that age ≥45 years, sex, education level, central obesity indicators (BMI, waist circumference, WHtR), hypertension, risky dietary patterns, and physical inactivity were significantly associated with diabetes. Among all models, AdaBoost achieved the highest predictive performance (AUC 0.991). The study also produced a web-based mockup system, “Diabetes Risk Assessment,” offering potential for self-screening and community-level early prevention strategies.
Read More
T-7317
Depok : FKM-UI, 2025
S2 - Tesis   Pusat Informasi Kesehatan Masyarakat
☉
cover
Muhammad Syauqie; Promotor: Sutanto Priyo Hastono; Kopromotor: Kemal Nazaruddin Siregar, Nila F. Moeloek; Penguji: Tris Eryando, Prasandhya Astagiri Yusuf, Eva Susanti, Lutfah Rif’ati, Joss Riono
Abstrak:
Kelainan refraksi yang tidak terkoreksi merupakan penyebab terbesar visual impairment di seluruh dunia. Deteksi dini dan intervensi cepat sangat krusial untuk mencegah gangguan penglihatan permanen pada masa kanak-kanak. Skrining konvensional di komunitas sering terhambat oleh keterbatasan sumber daya manusia dan waktu pemeriksaan yang lama. Prinsip pemeriksaan photorefractive dapat diadaptasi menggunakan kamera smartphone untuk menghasilkan foto refleks merah fundus mata, namun analisisnya memerlukan pakar. Proses analisis ini dapat diotomatisasi dengan penggunaan model algoritma Deep Learning Convolutional Neural Network (CNN). Penelitian ini bertujuan untuk mengembangkan model algoritma deep learning berbasis pola refleks merah fundus mata untuk deteksi kelainan refraksi pada anak yang dapat dioperasikan secara efektif oleh tenaga pemeriksa non-spesialis (guru sekolah) dalam upaya meningkatkan cakupan deteksi dini di komunitas. Penelitian bersifat diagnostik dengan desain cross-sectional dan dilakukan dalam empat tahap. Sumber data primer adalah foto kedua mata dengan pola refleks merah fundus yang diambil menggunakan kamera smartphone dan data power dioptri mata dari autorefraktometer sebagai baku emas. Total 315 siswa SD berusia 6-13 tahun di Kota Padang (630 mata) dijadikan sampel pada tahap pengujian lapangan. Model deep learning optimal yang dikembangkan adalah model CNN 3-branch. Kinerja model dievaluasi menggunakan metrik diagnostik (Sensitivitas, Spesifisitas, AUC) dan diuji reliabilitasnya antara pemeriksa spesialis dan non-spesialis. Pada validasi internal di tahap 2, model CNN 3-branch menunjukkan kinerja optimal dengan tingkat akurasi sebesar 91%, presisi sebesar 92%, dan recall sebesar 91%. Pada uji coba lapangan di tahap 3, hasil pengujian di 3 Sekolah Dasar menunjukkan: 1) Untuk deteksi miopia signifikan, model mencapai Sensitivitas 92.0%, Spesifisitas 79.9%, dan AUC 0.86; 2) Untuk deteksi kelainan refraksi tidak signifikan, Sensitivitas 67.1%, Spesifisitas 84.2%, dan AUC 0.76; dan 3) Untuk deteksi hipermetropia signifikan, Sensitivitas 42.4%, Spesifisitas 98.0%, dan AUC 0.70. Dalam hal feasibilitas, model algoritma deep learning memiliki reliabilitas dan akseptabilitas yang baik ketika digunakan oleh pemeriksa non-spesialis (guru). Model algoritma deep learning berbasis pola refleks merah fundus mata memiliki validitas yang baik dibandingkan dengan autorefraktometer dan reliabilitas yang baik antara pemeriksa spesialis dan non-spesialis. Instrumen ini menunjukkan potensi sebagai terobosan baru yang feasible untuk skrining kelainan refraksi yang cepat dan akurat di tingkat pelayanan kesehatan primer dan komunitas.
Uncorrected refractive error is the primary cause of visual impairment worldwide and early detection and rapid intervention are crucial in childhood. Conventional vision screening in the community is hampered by limited human resources and lengthy examination times. The photorefractive examination principle can be adapted using a smartphone camera to capture a red fundus reflex image, but its analysis requires an expert ophthalmologist. This analysis process can be automated through the use of a Deep Learning Convolutional Neural Network (CNN) algorithm model. This study aims to develop a deep learning algorithm model based on the red fundus reflex pattern for detecting refractive errors in children, which can be effectively operated by non-specialist examiners (school teachers). This is a diagnostic study with a cross-sectional design and was conducted in four stages. Primary data sources included images of both eyes displaying the red fundus reflex pattern taken with a smartphone camera and dioptric power data from an autorefractometer. A total of 315 elementary school students (630 eyes) aged 6–13 years in Padang were included. The deep learning model developed was the 3-branch CNN model. Model performance was evaluated using diagnostic metrics (Sensitivity, Specificity, AUC) and tested for its reliability. In the internal validation (Stage 2), the model had an accuracy rate of 91%, precision of 92%, and a recall of 91%. In the field trials (Stage 3), testing results in 3 schools showed: 1) For the detection of significant myopia, the model achieved a Sensitivity of 92.0%, Specificity of 79.9%, and AUC of 0.86; 2) For the detection of non-significant refractive error, the model achieved a Sensitivity of 67.1%, Specificity of 84.2%, and AUC of 0.76 ; and 3) For the detection of significant hypermetropia, the model achieved a Sensitivity of 42.4%, Specificity of 98.0%, and AUC of 0.70. Regarding feasibility, the deep learning algorithm model demonstrated good reliability and acceptability when used by non-specialist examiners (teachers). The deep learning algorithm model based on the red fundus reflex pattern possesses good validity when compared to the autorefractometer and good reliability between specialist and non-specialist examiners. This instrument shows potential as a new and feasible breakthrough for rapid and accurate refractive error screening at the primary healthcare and community level.
Read More
D-601
Depok : FKM-UI, 2025
S3 - Disertasi   Pusat Informasi Kesehatan Masyarakat
☉
cover
Finna Ella Indriany; Promotor: Kemal Nazaruddin Siregar; Kopromotor: Bambang Budi Siswanto, Indrajani Sutedja; Penguji: Adang Bachtiar, Budi Setianto Purwowiyoto, Artha Prabawa, Sutanto Priyo Hastono, Heru Purnomo Ipung
Abstrak:

Latar Belakang Gagal jantung adalah kondisi kronis dan progresif, dengan prevalensi di dunia 1-3% dan di Indonesia 5% (peringkat ke 4 di dunia) dengan kematian 50% dalam 5 tahun. Angka readmisi dalam 90 hari adalah 50%-75% dan dalam 30 hari 2-3%, sedangkan di Indonesia angka readmisi dalam 30 hari adalah 17%. Biaya rawat inap gagal jantung dapat mencapai empat ratus juta rupiah per pasien per tahun. Data BPJS Kesehatan 2018 terdapat 130.275 kejadian rawat inap tingkat lanjut pasien gagal jantung kongestif dan berdasarkan tarif JKN 2023 perkiraan biaya rawat inapnya akan berkisar antara 379 milyar sampai 4,2 triliun rupiah. Dengan memanfaatkan teknologi kekinian dari Artificial Intelligence dan kapabilitas serta kebiasaan masyarakat paska pandemi Covid-19, penelitian ini membuat model prediksi berbasis machine learning dengan menemukan faktor-faktor risiko yang dapat menjadi prediktor rawat inap berulang, yang kemudian diimplementasikan di dalam prototype yang digunakan dalam kolaborasi antara penyedia layanan kesehatan dengan pasien yang turut terlibat melakukan monitoring mandiri sehingga dapat mempertahankan kualitas hidupnya dan mengendalikan biaya perawatan baik yang dibayarkan oleh pasien sendiri, menggunakan asuransi ataupun dengan pendanaan pemerintah. Metode Penelitian ini terdiri atas beberapa tahap, dengan studi kuantitatif dan kualitatif menggunakan data rekam medis pasien gagal jantung di Rumah Sakit Jantung dan Pembuluh Darah Harapan Kita, Jakarta. Dimulai dengan Systematic Literature Review untuk menemukan faktor risiko rawat inap berulang di rumah sakit dan untuk menemukan novelty, pemodelan prediksi dengan studi kohort retrospektif, analisis kebutuhan sistem dengan studi kualitatif, pengembangan prototype, dan uji prototype dengan studi kohort prospektif. Hasil Systematic Literature Review tentang prediktor readmisi gagal jantung dengan machine learning dari PubMed, Science Direct, ProQuest, Scopus, Embase, google scholar menghasilkan 19 artikel terseleksi. 13 studi berasal dari USA, tidak ditemukan studi serupa di Indonesia, dengan algoritma terbaik adalah Neural Network. Pada tahap pemodelan prediksi diperoleh 2738 data pasien gagal jantung paska rawat inap di RS Jantung dan Pembuluh Darah Harapan Kita Jakarta, dengan ketersediaan 64 variabel. Dengan Orange Data Mining, terseleksi sebanyak 31 features. Model terbaik menggunakan Random Forest, dengan AUC 0,976, CA 0,912, F1 0,912, Precision 0,916 dan Recall 0,912, diimplementasikan dalam prototype aplikasi Fineheart dengan fitur aplikasi profil pasien, dashboard, catatan harian jantungku, penilaian kualitas hidup, rencana kontrol, instruksi medis dan obat, catatan asupan makanan dan cairan, edukasi, konsultasi. Uji efikasi prototype menunjukkan angka readmisi pada kelompok intervensi (20%), lebih rendah daripada kelompok kontrol (43,3%). Perubahan signifikan terjadi pada 2 parameter KCCQ yaitu Quality of Life (p=0,029) dan Overall Summary Score (p=0,001). Tingkat kepatuhan menggunakan prototype aplikasi juga berpengaruh signifikan terhadap kedua parameter tersebut dan mencegah readmisi. Kesimpulan Model prediksi readmisi pasien gagal jantung dengan machine learning yang diimplementasikan ke prototype aplikasi dapat digunakan untuk monitoring di rumah untuk mencegah readmisi dan mempertahankan kualitas hidup.

 

Background Heart failure is a chronic and progressive condition, with a prevalence in the world of 1-3% and in Indonesia 5% (ranked 4th in the world) with a mortality of 50% within 5 years. The readmission rate in 90 days is 50%-75% and in 30 days it is 2-3%, while in Indonesia the readmission rate in 30 days is 17%. The cost of hospitalization for heart failure can reach four hundred million rupiah per patient per year. The government health insurance of Indonesia (BPJS Kesehatan) data for 2018 shows 130,275 advanced hospitalizations for congestive heart failure patients and based on the 2023 tariff, the estimated cost of hospitalization will range from 379 billion to 4.2 trillion rupiah. By utilizing the latest technology from Artificial Intelligence and the capabilities and habits of society after the Covid-19 pandemic, this research creates a machine learning-based predictive model by finding risk factors that can lead to hospital readmission, which are then implemented in the prototype that is used in collaboration between health care providers with patients who are also involved in conducting self-monitoring so that they can maintain their quality of life and control the costs of care whether paid by the patient himself, using insurance or with government funding. Method This research consisted of several stages, with quantitative and qualitative studies using medical records of heart failure patients at the Harapan Kita Cardiovascular Center. Starting with a Systematic Literature Review to find risk factors of readmission and to find novelties, predictive modeling with retrospective cohort study, system requirements analysis with qualitative studies, prototype development, and prototype testing with prospective cohort study. Results A systematic literature review on predictors of heart failure readmission using machine learning from PubMed, Science Direct, ProQuest, Scopus, Embase, Google Scholar resulted in 19 selected articles. 13 studies came from the USA, no similar studies were found in Indonesia, with the best algorithm being Neural Network. At the prediction modeling stage, data was obtained on 2738 post-hospitalization heart failure patients at Harapan Kita Cardiovascular Hospital, Jakarta, with the availability of 64 variables. With Orange Data Mining, 31 features are selected. The best model uses Random Forest, with AUC 0,976, CA 0,912, F1 0,912, Precision 0,916 and Recall 0,912, implemented in the Fineheart application prototype with patient profile application features, dashboard, my heart diary, quality of life assessment, control plan, medical instructions and medication, food and fluid intake records, education, consultation. The prototype efficacy test showed that the readmission rate in the intervention group (20%), was lower than the control group (43.3%). Significant changes occurred in 2 KCCQ parameters, Quality of Life (p=0.029) and Overall Summary Score (p=0.001). The level of presence of application prototypes also has a significant effect on these two parameters and prevents readmissions. Conclusion The readmission prediction model for heart failure patients with machine learning implemented in the application prototype can be used for home monitoring to prevent readmissions and maintain quality of life.

Read More
D-566
Depok : FKM UI, 2025
S3 - Disertasi   Pusat Informasi Kesehatan Masyarakat
☉
cover
Fika Minata Wathan; Pembimbing: Kemal Nazaruddin Siregar, Anhari Achadi, Rima Irwinda; Penguji: Tris Eryando, Besral, Yusuf Effendy, Heru Purnomo Ipung, Mujiono Sadikin
Abstrak: Latar Belakang: Kelahiran preterm merupakan penyebab tertinggi kematian neonatal. Indonesia menduduki posisi tertinggi di ASEAN dan kelima di dunia untuk kelahiran preterm. Rumusan masalah: Belum adanya model prediksi kelahiran preterm yang memperlihatkan prediktor yang berguna untuk mengembangkan program pencegahan. Tujuan: Menemukan model prediksi kelahiran preterm berbasis machine learning untuk deteksi dini kelahiran preterm di Fasilitas Kesehatan Tingkat Pertama (FKTP). Metode: Penelitian ini menggunakan desain studi case control dengan menggunakan data rekam medis Rumah Sakit (RS) di Palembang yaitu RS YK Madira, RSMH, RS Bunda, RS Ar Rasyid, RS Muhammadiyah, dan RS Bhayangkara tahun 2019 dengan jumlah sampel 1758 responden yang terdiri dari 879 preterm dan 879 aterm. Faktor risiko yang digunakan pada penelitian ini didapatkan dari Systematic Literature Review yang terdiri dari faktor sosiodemografi (10 variabel), faktor perilaku/gaya hidup (5 variabel), faktor maternal/kondisi ibu sebelum kehamilan (8 variabel), faktor kehamilan/obstetri ginekologi (21 variabel), faktor biologis (3 variabel), faktor pelayanan kesehatan (2 variabel) dan Faktor Kondisi Janin (4 variabel). Pemodelan dilakukan dengan menggunakan machine learning dengan menggunakan algoritme decision tree, K-Nearest Neighbour (KNN), naïve bayes, logistic regression, Support Vector Machine (SVM) dan neural network (CNN1D, multilayer perceptron dan backpropagation). Hasil: Ditemukan 21 variabel penelitian dari 53 variabel yang dibutuhkan, dan menemukan 6 variabel yang menjadi prediktor utama kelahiran preterm di antaranya pre-eklamsia, perdarahan dalam kehamilan, riwayat ketuban pecah dini, jarak antar dua kehamilan, paritas, dan anemia. Pada penelitian ini ditemukan algoritma terbaik yaitu decision tree dengan nilai akurasi 95% untuk training dan 96% untuk testing dan telah dibuat prototype berupa aplikasi berbasis web untuk deteksi dini di FKTP. Kesimpulan: Ditemukan research novelty yaitu diperoleh model prediksi kelahiran preterm, dimana model ini potensial untuk digunakan di FKTP sebagai upaya deteksi dini. Model prediksi ini akan mendeteksi ibu hamil akan berisiko preterm atau tidak berisiko. Apabila diketahui ibu berisiko kelahiran preterm, maka ibu dianjurkan untuk melakukan pemeriksaan di RS, agar tidak terjadi keterlambatan penanganan yang menyebabkan kematian ibu maupun bayi. Dibandingkan tidak ada model prediksi, maka risiko kelahiran preterm tidak dapat dicegah, sehingga keterlambatan penanganan akan terjadi.
Read More
D-449
Depok : FKM-UI, 2021
S3 - Disertasi   Pusat Informasi Kesehatan Masyarakat
☉
cover
Muhammad Amin Bakri; Promotor: Tris Eryando; Kopromotor: Kemal Nazaruddin Siregar; Penguji: Martya Rahmaniati Makful, Rita Damayanti, Tris Eryando, Wahyu Septiono, Asep Supine, Fidiansjah Mursyid Ahmad, Rahmadya Trias Handayanto
Abstrak:
Kompleksitas gejala depresi remaja diakui sebagai tantangan kesehatan masyarakat dunia. Jika tidak terdeteksi dan tertangani, gejala depresi dapat secara signifikan mengurangi kualitas hidup dan berpotensi menjadi depresi berat pada masa selanjutnya. Penelitian ini bertujuan untuk mengembangkan model machine learning untuk memprediksi perkembangan gejala depresi dari remaja, serta mengungkap prediktor yang memiliki hubungan signifikan dengannya. Penelitian didesain dengan menggunakan data Indonesia Family Life Survey (IFLS). Dataset dibangun dari hasil survey tiga gelombang, yaitu tahun 2000, 2007, dan 2014. Hasil analisis menunjukkan sejumlah variabel terkait faktor sosio-demografi, kesehatan, ekonomi, psikososial, kehidupan anggota rumah tangga, dan lingkungan rumah, memiliki hubungan signifikan terhadap perkembangan gejala depresi remaja. Model machine leaerning yang dikembangkan adalah gabungan dua model; Model-1 memprediksi perkembangan gejala depresi selama 7 tahun dan Model-2 memprediksi perkembangan gejala depresi selama 14 tahun. Pada Model-1, kinerja prediksi terbaik dicapai oleh Random Forest dengan akurasi 0,93, AUC 0,72, precision 0,93, recall 1,00, dan F1-Score 0,97. Sedangkan pada Model-2, kinerja prediksi terbaik dicapai oleh Regresi Logistik dengan akurasi 0,77, AUC 0,65, precision 0,78, recall 0,97, dan F1-Score 0,87. Model ini telah berhasil di-deploy ke dalam aplikasi mobile bernama D’Symptomata yang berpotensi dikembangkan lebih lanjut untuk mendukung skrining potensi risiko perkembangan gejala depresi di kalangan remaja Indonesia.
The complexity of adolescent depressive symptoms is one of the public health challenges. If left untreated, depressive symptoms can significantly reduce quality of life and potentially lead to major depression in the future. This study aims to develop a machine learning model to predict the development of depressive symptoms in adolescence and their predictors. The dataset is built from three wave IFLS surveys, 2000, 2007, and 2014. The results showed several variables socio-demography, health, economic, psychosocial, household members, and house environment factors, had a significant relationship with the development of adolescent depressive symptoms. The machine learning model developed is a combination of two models; Model-1 which predicted the development of depressive symptoms over 7 years and Model-2 for 14 years. On Model-1, the best prediction performance was achieved by Random Forest with an accuracy of 0.93, AUC 0.72, precision of 0.93, recall of 1.00, and F1-Score 0.97. In Model 2, the best prediction performance was achieved by Logistic Regression with an accuracy of 0.77, AUC of 0.65, precision of 0.78, recall of 0.97, and F1-Score 0.87. This model has been successfully deployed into a mobile application D'Symptomata to support screening for the development of depressive symptoms among Indonesian adolescents.
Read More
D-527
Depok : FKM-UI, 2024
S3 - Disertasi   Pusat Informasi Kesehatan Masyarakat
☉
cover
Meiyanti; Promotor: Dumilah Ayuningtyas; Kopromotor: Besral, Rina Kurniasri Kusumaratna; Penguji: Adang Bachtiar, Raden Rara Diah Handayani, Vivian Soetikno, Maxi Rein Rondonuwu, Henry Candra
Abstrak:
Angka keberhasilan pengobatan Tuberkulosis Indonesia tahun 2023 belum mencapai target 90%. Keberhasilan pengobatan berdampak terhadap penurunan penyebaran infeksi dan kasus resistensi obat, sehingga perlu untuk memprediksi keberhasilan pengobatan lebih dini. Penelitian ini bertujuan untuk mengembangkan model pendekatan pembelajaran mesin untuk prediksi keberhasilan pengobatan. Penelitian ini menggunakan data kohort Sistem Informasi Tuberkulosis (SITB) Indonesia. Pasien usia produktif (15-64 tahun) terdiagnosis tuberkulosis sensitif obat dan mendapatkan pengobatan dari 1 Januari 2020 sampai 31 Desember 2023 diikutsertakan dalam penelitian ini. Data dikelompokkan secara acak ke dalam set data pelatihan untuk membangun model (80%) dan set data pengujian untuk validasi model (20%), dan dilakukan validasi silang untuk data. Algoritma yang digunakan meliputi decision tree, random forest, multilayer perceptron, extreme gradient boosting, dan logistic regression. Dilakukan konsensus untuk pengambilan keputusan variabel yang diperlukan dalam melakukan pemodelan berbasis pembelajaran mesin dari data SITB untuk memprediksi keberhasilan pengobatan dengan menggunakan metode Delphi. Hasil dari penelitian model algoritma pembelajaran mesin random forest menunjukkan kinerja terbaik dan akurasi tertinggi dalam memprediksi keberhasilan pengobatan. Aplikasi prediksi berbasis pembelajaran mesin dapat memberikan prediksi dini dengan interpretasi berbasis SHAP (SHapley Additive ExPlanations) yang memudahkan tenaga kesehatan dalam mengambil keputusan.

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.

 

Read More
D-573
Depok : FKM-UI, 2025
S3 - Disertasi   Pusat Informasi Kesehatan Masyarakat
☉
cover
Eka Santy; Promotor: Kemal Nazaruddin Siregar; Kopromotor: Besral, Narila Mutia Nasir; Penguji: Anhari Achadi, Artha Prabawa, Tris Eryando, Indrajani, Eka Budiarto
Abstrak:
Latar Belakang: Adverse Pregnancy Outcomes (APO) diantarannya Berat Bayi Lahir rendah (BBLR), kelahiran preterm dan lahir mati merupakan penyebab utama kematian neonatal.  Indonesia menduduki posisi tertinggi di ASEAN dan ke tujuh di dunia terkait kematian bayi baru lahir. Rumusan Masalah: Belum terdeteksi secara dini faktor risiko APO dengan cepat dan tepat di FKTP yang berdampak pada tingginya kematian bayi baru lahir, stunting dan kecerdasan yang rendah, sehingga perlu adanya pengembangan program pencegahan. Tujuan Penelitian: Menemukan model prediksi APO berbasis machine learning untuk pengembangan ePHR sebagai upaya deteksi dini di FKTP. Metode: Penelitian ini menggunakan Mixed Methods: Sequential Explanatory design melalui empat (4) tahap yaitu: (1) Studi Literatur; (2) Pembuatan model prediksi APO berbasis Machine Learning, (3) Membangun Prototipe ePHR Sebagai Deteksi Dini di FKTP dan (4) Uji penerimaan bidan dan Uji Efikasi terhadap penggunaan ePHR. Hasil: Ditemukan 22 Variabel penelitian dari 51 variabel yang dibutuhkan, ditemukan 3 indikator kritis dan 8 fitur esensial yang menjadi predictor utama kejadian APO diantaranya: Kesehatan ibu (komplikasi kehamilan dan atau persalinan, paritas lebih dari 4); Ketersediaan dan kualitas pelayanan (fasilitas pertolongan persalinan); Profile ibu (pendidikan rendah, status sosial ekonomi rendah, usia terlalu tua atau terlalu muda dan ibu bekerja). Analisis menunjukkan algoritma terbaik adalah random forest dengan target multiclass: AUC 98,4%; Sensitivity 95,1%; F1 Score 94,3%, Diimplementasikan kedalam prototipe ePHR  ‘'e-bayiKusehAt” dengan 10 fitur untuk mendukung proses bisnis baru Deteksi dini APO terintegrasi dalam layanan antenatal di FKTP yang digunakan oleh bidan dan ibu hamil; Uji efikasi: Penggunaan Prototipe ePHR ‘'e-bayiKusehAt” meningkatkan kinerja bidan terutama deteksi dini terintegrasi dalam pelayanan Antenatal Diff-in-Diff tertinggi 1,571 (p<0,001); Kemampuan prediksi APO Diff-in-Diff 0,079 (p = 0,002); Mempercepat keputusan rujukan Diff-in-Diff 0,324 (p = 0,001); dan pengetahuan bidan tentang faktor risiko APO Diff-in-Diff: 0,388 ( p=0,031); Ibu hamil meningkatkan Akses edukasi Diff-in-Diff: 1,680 (p < 0,001) dan Pengetahuan Tanda Bahaya: Diff-in-Diff: 1,443 (p < 0,001). Kesimpulan: Telah diperoleh suatu model untuk prediksi APO, yang didasari dari 22 variabel penting. Model tersebut digunakan untuk membangun prototipe e PHR ‘'e-bayiKusehAt”, dimana hasil uji coba penggunaan prototipe berdampak pada peningkatan kinerja bidan dalam Deteksi Dini APO. Penggunaan prototipe ini ternyata juga efektif dalam meningkatkan kesadaran dan kesiapan ibu hamil terhadap potensi risiko kehamilan yang berdampak pada kejadian APO.
Background: Adverse Pregnancy Outcomes (APO) including low birth weight (LBW), preterm birth and stillbirth are the leading causes of neonatal mortality.  Indonesia has the highest position in ASEAN and seventh in the world regarding newborn mortality. Problem Formulation: APO risk factors have not been detected early and quickly at primary health care facilities, which has an impact on high newborn mortality, stunting and low intelligence, so it is necessary to develop a prevention program. Research Objective: Finding a machine learning-based APO prediction model for the development of ePHR as an effort to early detection in primary care. Methods: This research uses Mixed Methods: Sequential Explanatory design through four (4) stages, namely: (1) Literature Study; (2) Machine Learning-based APO prediction modeling, (3) Building ePHR Prototype as Early Detection in FKTP and (4) Midwife acceptance test and Efficacy Test for the use of ePHR. Results: 22 research variables were found from the 51 variables needed, 3 critical indicators and 8 essential features were found to be the main predictors of APO events including: Maternal health (complications of pregnancy and or childbirth, parity more than 4); Availability and quality of services (delivery assistance facilities); Maternal profile (low education, low socioeconomic status, too old or too young and working mothers). Analysis shows the best algorithm is random forest with multiclass target: AUC 98.4%; Sensitivity 95.1%; F1 Score 94.3%, Implemented into the ePHR prototype “e-bayiKusehAt” with 10 features to support new business processes Early detection of APO integrated in antenatal services at FKTP used by midwives and pregnant women; Efficacy test: The use of the ePHR Prototype “e-bayiKusehAt” improves midwives' performance, especially integrated early detection in antenatal services Diff-in-Diff highest 1.571 (p<0.001); APO Diff-in-Diff prediction ability 0.079 (p = 0.002); Accelerating Diff-in-Diff referral decisions 0.324 (p = 0.001); and midwives' knowledge of APO Diff-in-Diff risk factors: 0.388 (p = 0.031); Pregnant women increase Diff-in-Diff education access: 1.680 (p < 0.001) and knowledge of danger signs: Diff-in-Diff: 1,443 (p < 0,001). Conclusion: A model for APO prediction was obtained, based on 22 important variables. The model was used to build the e PHR prototype “e-babyKusehAt”, where the results of the trial use of the prototype had an impact on improving the performance of midwives in Early Detection of APO. The use of this prototype was also effective in increasing the awareness and readiness of pregnant women to potential pregnancy risks that have an impact on the incidence of APO.
Read More
D-594
Depok : FKM-UI, 2025
S3 - Disertasi   Pusat Informasi Kesehatan Masyarakat
☉
cover
Agustina Setyaningsih; Promotor: Kemal Nazaruddin Siregar; Kopromotor: Tris Eryando, Heru Purnomo Ipung, Anhari Achadi, Elizabeth Jane Soepardi, Elizabeth Jane Soepardi, Mujiono
Abstrak:

Cakupan imunisasi dasar lengkap (IDL) pada bayi di Indonesia masih rendah bahkan cenderung menurun di bawah target rencana strategis(renstra)Renstra sebesar 93% dan target cakupan Universal Child Immunization (UCI) secara nasional >80%. Indonesia sebagai salah satu negara dengan cakupan salah satu vaksin IDL terendah, yaitu vaksin DPT3. Banyak faktor yang melatarbelakangi terjadinya cakupan IDL rendah, banyak faktor yang melatarbelakangi terjadinya cakupan IDL rendah. Faktor psikologiss menjadi salah satu penyebab penting yang jarang diintervensi. Dalam faktor psikologis yang terdiri dari beberapa faktor potensial, salah satunya penolakan vaksin yang turut menyumbang rendahnya cakupan IDL kepada peningkatan angka kematian bayi dan anak tinggi dan juga angka Penyakit yang Dapat Dicegah dengan Imunisasi (PD3I). Tantangan rendahnya cakupan imunisasi dasar disebabkan penolakan vaksin yang didorong oleh tingginya persebaran opini negatif berupa penolakan vaksin. Media sosial menjadi sumber data dengan pengguna berjumlah sangat masif. Tujuan dari penelitian ini adalah membangun model untuk deteksi dini melalui social media analytics dengan pendekatan machine learning yaitu metode analisis sentimen untuk menemukan pemberitaan negatif berupa penolakan vaksin dan social network analyisis untuk mengidentifikasi penyebarannya yang dilakukan opinion leader. Berdasarkan hal tersebut maka penelitian ini dilakukan pengujian dengan menggunakan metode dan teknik machine learning untuk menghasilkan nilai performance berupa akurasi, presisi, recall dan F- measure dengan akurasi terbaik diatas 70% dan mengukur nilai centrality untuk melihat kedekatan dan interaksi, serta menghasilkan nilai situational awareness. Model ini diharapkan dapat membantu berwenang atau berkepentingan untuk melakukan pencegahan atau tata laksana. Kata kunci: Cakupan IDL, penolakan vaksin, social media analytics, analisis sentimen, socialnetwork analysis, machine learning, situational awareness.

 

Read More
D-502
Depok : FKM-UI, 2024
S3 - Disertasi   Pusat Informasi Kesehatan Masyarakat
☉
cover
Yeni Mahwati; Promotor: Sudijanto Kamso; Ko Promotor: Fasli Jalal, Purwantyastuti; Penguji: Purnawan Junadi, Kusharisupeni, Soewarta Kosen, Fidiansjah
D-322
Depok : FKM-UI, 2015
S3 - Disertasi   Pusat Informasi Kesehatan Masyarakat
☉
:: Pengguna : Pusat Informasi Kesehatan Masyarakat
Library Automation and Digital Archive