Latar belakang Perencanaan persalinan dan pencegahan komplikasi merupakan intervensi untuk mencegah kematian ibu, namun pelaksanaanya belum optimal dan masih berpusat difasilitas kesehatan. Opat sauyunan merupakan program pendampingan ibu hamil berbasis komunitas yang perlu ditingkatkan terutama dalam pendampingan perencanaan persalinan dan pencegahan komplikasi. Penelitian ini bertujuan untuk mengembangkan dan menilai efek strategi pendampingan ibu hamil berbasis komunitas “JABAR IMAS” dalam meningkatkan perencanaan persalinan dan pencegahan komplikasi melalui opat sauyunan. Metode penelitian menggunakan pendekatan mixed methods exploratory sequential design. Pada penelitian kualitatif menggunakan desain etnografi sedangkan untuk penelitian kuantitatif menggunakan desain Quasi Eksperimen-Pre and Post Control Group Design. Penelitian ini terdiri dari tiga tahap yaitu tahap penelitian pertama adalah studi kualitatif, tahap penelitian kedua adalah tahap pengembangan model strategi pendampingan ibu hamil dan tahap ketiga adalah intervensi opat sauyunan kepada ibu hamil. Waktu penelitian pada bulan Agustus 2024-November 2025 dengan lokasi penelitian berada di Kecamatan Bogor Selatan (daerah intervensi) dan Kecamatan Bogor Utara (daerah kontrol). Sampel penelitian berjumlah 78 ibu hamil (daerah intervensi) dan 80 ibu hamil (daerah kontrol). Analisa data yang digunakan adalah difference in difference dan Generalized Estimating Equations. Hasil penelitian menunjukan setelah dilakukannya intervensi strategi “JABAR IMAS” memiliki efek yang signifikan (p=0.0001) serta mampu meningkatkan skor perencanaan persalinan dan pencegahan komplikasi menjadi 10 dari 12 komponen. Pada akhir minggu ke-8 intervensi sebesar 81.3% ibu hamil pada kelompok intervensi berhasil mencapai status well birth planning. Kesimpulan dan saran. Model penguatan JABAR IMAS dapat memperkuat program perencanaan persalinan dan pencegahan komplikasi melalui pendampingan secara holistik di komunitas. Perlu adanya keberlanjutan pendampingan ibu berbasis komunitas hingga masa nifas untuk meningkatkan kewaspadaan terhadap tanda bahaya masa nifas, pemberian ASI eksklusif, dan perencanaan pemakaian alat kontrasepsi setelah persalinan.

Background: Birth planning and complication prevention aim to reduce maternal mortality, but implementation remains suboptimal and centered in health facilities. Opat Sauyunan is a community-based program for pregnant women that needs improvement, especially in assistance with birth planning and complication prevention. This study aims to develop and assess the effectiveness of the "JABAR IMAS" community-based pregnancy support strategy in improving birth planning and complication prevention through Opat Sauyunan. The research used a mixed-methods exploratory sequential design. The qualitative study employed an ethnographic design, while the quantitative study used a quasi-experimental pre- and post-control group design. The study had three stages: a qualitative study, development of a pregnancy support strategy model, and Opat Sauyunan intervention for pregnant women. The study period was August 2024–November 2025, with locations in South Bogor District (intervention area) and North Bogor District (control area). The sample consisted of 78 pregnant women in the intervention area and 80 in the control area. The data analysis used was difference in difference and Generalized Estimating Equations. The results showed that after the intervention, the "JABAR IMAS" strategy had a significant effect (p = 0.0001) and was able to increase the score of birth planning and complication prevention in 10 out of 12 components. At the end of the 8th week of intervention, 81.3% of pregnant women in the intervention group successfully achieved a well birth planning status. Conclusions and suggestions: The “JABAR IMAS” strengthening model can strengthen birth planning and complication prevention programs through holistic assistance in the community. There is a need for continued community-based maternal assistance until the postpartum period to increase awareness of postpartum danger signs, exclusive breastfeeding, and planning for the use of contraceptives after delivery.

Pemanfaatan pelayanan kesehatan dalam persalinan sangat penting karena proses persalinan merupakan fase krusial dalam kehidupan ibu dan anak. Persalinan ditolong oleh tenaga kesehatan terlatih di fasyankes merupakan salah satu intervensi kunci dan terbukti untuk mengurangi 16-33% kematian ibu. Di Indonesia, cakupan pemanfaatan persalinan di fasyankes berdasarkan SKI 2023 sebesar 89.9% namun cakupan tersebut belum mencapai target dari renstra kemenkes 2020-2024 sebesar 95%. Data riskesdas 2013, 2018 dan SKI 2023 menunjukkan adanya variasi dalam cakupan persalinan di fasyankes antar kabupaten/kota di Pulau Jawa sehingga mencerminkan adanya disparitas wilayah. Tujuan penelitian ini mengetahui model spasial pemanfaatan persalinan di fasyankes untuk setiap kabupaten/kota di Pulau Jawa, Indonesia. Studi ekologi dilakukan pada 118 kabupeten/kota di Pulau Jawa tahun 2023. Data berbentuk agregat dan bersumber dari publikasi SKI 2023, data sebaran tenaga medis dan tenaga kesehatan, buku publikasi BPS dan profil kesehatan masing-masing provinsi di Pulau Jawa. Analisis data menggunakan Spatial Error Model (SEM) dan Geographically Weighted Regression (GWR). Hasil penelitian menunjukkan terdapat autokorelasi spasial positif dan membentuk pola pengelompokan spasial. Hasil SEM menunjukkan adanya dependensi spasial yang signifikan dan mampu menjelaskan 77,78% variasi antarwilayah dan membentuk pola residual yang mengelompok. Pada Model GWR mampu menjelaskan 87,28% variasi spasial pemanfaatan persalinan melalui kombinasi variabel independen. Hasil model menunjukkan bahwa determinan yang memengaruhi pemanfaatan persalinan di fasyankes yaitu penolong persalinan, kepemilikan jaminan kesehatan, penduduk miskin, kunjungan ANC, pendidikan ibu, rasio dokter dan rasio PKM memiliki pengaruh yang bervariasi secara spasial antar kab/kota. Variabel-variabel tersebut memiliki kekuatan pengaruh yang berbeda antar kab/kota di Pulau Jawa. Dari hasil penelitian ini diharapkan dapat menjadi bahan perencanaan bagi program kesehatan ibu yang lebih terarah khususnya dalam penetapan wilayah prioritas intervensi di Pulau Jawa.

The utilization of healthcare services during delivery is essential, because process is a crucial phase in the lives of both mother and child. Delivery assisted by skilled birth attendant in healthcare facilities is a key intervention proven to reduce maternal mortality by 16–33%. In Indonesia, the coverage of healthcare facility delivery based on the 2023 Indonesian Health Survey (SKI) is 89.9%; however, this has not yet reached the 95% target set by the Ministry of Health's 2020–2024 strategic plan. Data from Riskesdas 2013, 2018, and SKI 2023 indicate variations in facility-based delivery coverage across regencies/cities on Java Island, reflecting regional disparities. This study aims to determine the spatial model of healthcare facility delivery utilization for each regency/city on Java Island, Indonesia. An ecological study was conducted across 118 regencies/cities in Java in 2023. Aggregate data were sourced from the 2023 SKI publications, medical and health personnel distribution data, BPS (Statistics Indonesia) publications, and health profiles from each province in Java. Data were analyzed using the Spatial Error Model (SEM) and Geographically Weighted Regression (GWR).The results indicate a positive spatial autocorrelation, forming a spatial clustering pattern. The SEM results show significant spatial dependency, explaining 77,78% of the inter-regional variation and forming clustered residual patterns. The GWR model was able to explain 87,28% of the spatial variation in delivery utilization through a combination of independent variables. The model results demonstrate that determinants affecting healthcare facility delivery utilization namely skilled birth attendants, health insurance ownership, poverty levels, ANC (Antenatal Care) visits, maternal education, physician ratios, and community health center ratios have spatially varying influences across regencies/cities. These variables exhibit different levels of influence across different regions in Java. The findings of this study are expected to serve as a planning resource for more targeted maternal health programs, particularly in identifying priority areas for intervention on Java Island.

Beban Diabetes Melitus Tipe 2 (DMT2) semakin tinggi di Indonesia dengan prevalensi 11,7% menurut Survei Kesehatan Indonesia 2023. Lebih dari 70% penyandang DMT2 belum terdiagnosis, yang menyebabkan keterlambatan pengobatan dan peningkatan risiko komplikasi. Teknologi pembelajaran mesin (machine learning) berpotensi digunakan untuk deteksi dini risiko DMT2 secara efisien dan berbasis data. Penelitian ini bertujuan mengembangkan, memvalidasi, dan menguji kelayakan model skrining risiko DMT2 berbasis pembelajaran mesin untuk populasi Indonesia. Studi ini menggunakan desain observasional dan dilaksanakan dari Oktober 2024 hingga Januari 2025. Penelitian terdiri dari tiga fase. Fase pertama mencakup pengembangan model prediksi menggunakan algoritma pembelajaran mesin dengan data dari dua sumber Kementerian Kesehatan, yakni kohor Penyakit Tidak Menular (PTM) (n=5.010) dan Aplikasi Sehat Indonesiaku (ASIK) (n=8.147.932). Fase kedua adalah validasi eksternal model menggunakan data ASIK tahun 2023 (n=24.735.050). Fase ketiga merupakan uji coba lapangan di dua Puskesmas di DKI Jakarta yang mencakup uji diagnostik (n=100) serta penilaian kelayakan sistem tenaga kesehatan (n=30) menggunakan instrumen System Usability Scale (SUS). Fase 1 menunjukkan bahwa model LightGBM pada data ASIK memiliki performa terbaik (AUC 0,90; sensitivitas 0,70; spesifisitas 0,88), sementara model CatBoost pada data kohor PTM menunjukkan AUC 0,76. Seleksi fitur mengidentifikasi lima variabel utama (usia, tekanan darah sistolik, aktivitas fisik, riwayat keluarga DMT2, konsumsi sayur/buah) sebagai penentu utama risiko. Fase 2 mencakup validasi eksternal dengan data ASIK 2023 menghasilkan AUC 0,90 (LightGBM) dan AUC 0,73 (CatBoost). Fase 3 uji coba lapangan menunjukkan hasil diagnostik yang sejalan dengan skor risiko model, dengan sensitivitas 0,80 dan spesifisitas 0,39 pada cut-off HbA1c 6,5% dan sensitivitas 0,79 dan spesifisitas 0,54 pada cutoff HbA1c 5,7%. Evaluasi oleh tenaga kesehatan menghasilkan skor SUS sebesar 72,5. Sebagai kesimpulan, Model skrining DMT2 berbasis pembelajaran mesin terbukti akurat dan layak diimplementasikan.

Type 2 Diabetes Mellitus (T2DM) burden is increasing in Indonesia, with a national prevalence of 11.7% according to the 2023 Indonesia Health Survey. More than 70% of individuals with T2DM remain undiagnosed, leading to delayed treatment and increased complications. Machine learning has the potential to enhance early detection of T2DM through an efficient, data-driven risk screening process. This study aims to develop, validate, and assess the feasibility of a machine learning-based T2DM risk screening model tailored for the Indonesian population. This study employed an observational design and was conducted from October 2024 to January 2025. The study consisted of three phases. The first phase involved the development of predictive models using machine learning algorithms with two datasets from the Ministry of Health: the PTM Cohort (n=5,010) and the ASIK registry (n=8,147,932). The second phase was an external validation using the ASIK 2023 dataset (n=24,735,050). The third phase was a field trial at two primary health centers (Puskesmas) in Jakarta, which included diagnostic testing of patients (n=100) and usability assessment by healthcare workers (n=30) using the System Usability Scale (SUS). In Phase 1, the LightGBM model trained on ASIK data achieved the best performance (AUC 0.90; sensitivity 0.70; specificity 0.88), while the CatBoost model trained on PTM Cohort data yielded an AUC of 0.76. Feature selection identified five main predictors (age, systolic blood pressure, physical activity, family history of T2DM, and fruit/vegetable consumption). In Phase 2, external validation with ASIK 2023 data confirmed high model performance with AUC 0.90 (LightGBM) and AUC 0.73 (CatBoost). In Phase 3, field testing showed diagnostic performance consistent with model-based risk scores, with sensitivity 0.80 and 0.39 at the HbA1c cut-off of 6.5% and sensitivity 0.79 and specificity 0.54 at the HbA1c cut-off of 5.7%. Usability testing by healthcare workers resulted in an average SUS score of 72.5. In conclusion, the machine-learning-based T2DM screening model has demonstrated high accuracy and is feasible for implementation.