Ditemukan 15102 dokumen yang sesuai dengan query :: Simpan CSV
Okky Assetya Pratiwi; Promotor: Umar Fahmi Achmadi; Kopromotor: Haryoto Kusnoputranto, Slamet Isworo; Penguji: Budi Hartono, Ema Hermawati, Ririn Arminsih Wulandari, Yuanita Windusari, Agus Suwandono
Abstrak:
Read More
Pencemaran mikroplastik semakin meningkat setiap tahunnya dan berpotensi menimbulkan risiko kesehatan bagi masyarakat. Kebijakan pemerintah terkait pengelolaan mikroplastik menggunakan model ekonomi sirkular dan model 3R (reduce, reuse, recycle) terus dilaksanakan, namun belum menyelesaikan tantangan di lapangan. Sehingga diperlukan alternatif pengelolaan mikroplastik melalui teknologi degradasi menggunakan mikroorganisme. Penelitian ini bertujuan untuk mengembangkan model bioteknologi degradasi mikroplastik berbasis bakteri indigenous berasal dari Tempat Pembuangan Akhir (TPA) Cipayung Kota Depok.
Penelitian ini merupakan penelitian kuantitatif dengan pendekatan observasional, penilaian risiko kesehatan dan eksperimental. Studi observasional dilakukan untuk mengidentifikasi mikroplastik pada sampel tanah dan air bersih serta mengetahui jenis dan kemampuan isolat bakteri dalam mendegradasi mikroplastik. Pendekatan eksperimental untuk mengembangkan model bioteknologi degradasi mikroplastik berbasis bakteri indigenous.
Hasil penelitian menunjukkan bahwa konsentrasi mikroplastik di tanah TPA Cipayung bervariasi antara 8.400–152.000 partikel/kg, sementara pada air bersih yang dikonsumsi masyarakat berkisar antara 1.889–5.444 partikel/L, dengan variabilitas tingkat risiko kesehatan terkategori Risk Quotient (RQ) > 1. Empat isolat bakteri potensial, yaitu Rummeliibacillus pycnus NBRC 101231, Stenotrophomonas acidaminiphila JCM 13310, Microbacterium arborescens DSM 20754, dan Streptomyces thermolineatus DSM 41451, efektif mendegradasi mikroplastik melalui penurunan berat, perubahan struktur kimia (Fourier Transform Infrared Spectroscopy), serta pembentukan biofilm, lubang dan retakan (Scanning Electron Microscope). Model bioteknologi degradasi mikroplastik dikembangkan dalam bentuk produk liofilisasi biomassa bakteri, menggunakan isolat Rummeliibacillus pycnus NBRC 101231.
Saran yang diajukan adalah perlunya penetapan regulasi batas aman mikroplastik di lingkungan serta mendukung pengembangan bioteknologi degradasi mikroplastik berbasis biomassa bakteri sebagai solusi pengelolaan yang berkelanjutan. Untuk penelitian selanjutnya, diperlukan uji implementasi dan akseptabilitas model bioteknologi ini untuk memastikan efektivitas dan penerimaan di tingkat masyarakat.
Microplastic pollution continues to increase annually, creating potential threats to public health. Government policies related to microplastic management, which rely on circular economy models anda 3R model (reduce, reuse, recycle), are being implemented, but have yet to address the challenges in the field. Therefore, alternative microplastic management strategies that utilize degradation technologies with microorganisms are required. This study aimed to develop a biotechnology model for microplastic degradation based on indigenous bacteria sourced from the Cipacung Landfill, Depok City. This study employed a quantitative approach that combined observational, health risk assessment and experimental methods. Observational study was conducted to identify microplastics in soil and clean water samples, and to determine the types and capabilities of bacterial isolates in degrading microplastics. The experimental approach was applied to develop a biotechnological model for microplastic degradation based on indigenous bacteria.
The study results show that the concentration of microplastics in the soil at the Cipayung Landfill varies between 8.400-152.000 particles/kg, while in clean water consumed by the community, it ranges between 1.889-5.444 particle/L with variability in health risk levels categorized as Risk Quotient (RQ) >1. Four potential bacterial isolates, Rummeliibacillus pycnus NBRC 101231, Stenotrophomonas acidaminiphila JCM 13310, Microbacterium arborescens DSM 20754, and Streptomyces thermolineatus DSM 41451, were effective in degrading microplastics. This was demonstrated through weight reduction, changes in the chemical structure (Fourier Transform Infrared Spectroscopy), and the formation of biofilms, holes, and cracks (Scanning Electron Microscope). Biotechnology model for microplastic degradation was developed in the form of a lyophilized bacterial biomass product, utilizing the isolate Rummeliibacillus pycnus NBRC 101231.
The proposed recommendations include establishing safe limits for microplastics in the environmnent and supporting the development of biotechnology for microplastic degradation based on bacterial biomass as a sustainable management solution. For future research, implementation trials and acceptability assessments of this biotechnology model are needed to ensure its effectiveness and community acceptance.
D-558
Depok : FKM UI, 2025
S3 - Disertasi Pusat Informasi Kesehatan Masyarakat
☉
Wijayantono; Promotor: Umar Fahmi Achmadi; Ko Promotor: Dewi Susana, Tris Eryando; Penguji: Soekidjo Notoatmodjo, Holani Achmad, Toni Wandra, Soewarta Kosen
D-255
Depok : FKM-UI, 2011
S3 - Disertasi Pusat Informasi Kesehatan Masyarakat
☉
I Made Djaja; Pembimbing: Haryoto Kusnoputranto
D-81
Depok : FKM UI, 2003
S3 - Disertasi Pusat Informasi Kesehatan Masyarakat
☉
Dien Kurtanty; Promotor: Adang Bachtiar; Kopromotor: Fachmi Idris, Ummi Azizah Rachmawati; Penguji: Tris Eryando, Rizanda Machmud, Trihono, Andi Alfian Zainuddin
Abstrak:
Diabetes adalah penyakit kronik yang dikenal dengan “longlife disease” yang harus dikelola secara terus-menerus. Penelitian ini bertujuan membangun intervensi meningkatkan kemandirian pengelolaan DM dengan model DIEN (Diabetic Self-Reliance, Intervention, Electronic basis, Network system). Penelitian mixed method exploratory sequential melalui empat tahap penelitian. Tahap pertama mengidentifikasi determinan perilaku kemandirian pengelolaan DM; tahap kedua mengidentifikasi intervensi yang dibutuhkan dalam membangun perilaku kemandirian DM; tahap ketiga pengembangan model DIEN; tahap keempat uji coba model. Model DIEN dibuat berdasarkan temuan tahap satu dan dua, telah diuji coba dan saat ini dalam level pengembangan teknologi level tujuh.
Diabetes is a chronic disease known as a "long life disease" which must be managed continuously. This study aims to build interventions to increase the independence of DM management with the DIEN model (Diabetic Self-Reliance, Intervention, Electronic basis, Network system). This mixed method exploratory sequential study went through four stages of research. The first stage identifies the behavioural determinants of DM management independence; the second stage identifies the interventions needed to build DM independence behaviour; the third stage of developing the DIEN model; fourth stage model trials. The DIEN model was based on the findings of stages one and two, has been tested and currently at the level seven technology development level.
Read More
Diabetes is a chronic disease known as a "long life disease" which must be managed continuously. This study aims to build interventions to increase the independence of DM management with the DIEN model (Diabetic Self-Reliance, Intervention, Electronic basis, Network system). This mixed method exploratory sequential study went through four stages of research. The first stage identifies the behavioural determinants of DM management independence; the second stage identifies the interventions needed to build DM independence behaviour; the third stage of developing the DIEN model; fourth stage model trials. The DIEN model was based on the findings of stages one and two, has been tested and currently at the level seven technology development level.
D-564
Depok : FKM UI, 2023
S3 - Disertasi Pusat Informasi Kesehatan Masyarakat
☉
Siti Rahmah Hidayatullah Lubis; Promotor: Indri Hapsari Susilowati; Kopromotor: Besral, Endang Laksminingsih; Penguji: L. Meily Kurniawidjaja, Robiana Modjo, Yuli Amran, Hera Nurlita
Abstrak:
Read More
Ibu bekerja memiliki risiko lebih tinggi untuk melakukan terminasi menyusui lebih awal. Berbagai bentuk kebijakan sudah ditetapkan oleh Pemerintah. Tetapi kesadaran di industri masih rendah. Penelitian ini bertujuan untuk mengembangkan model dukungan laktasi di tempat kerja pada industri tekstil. Pendekatan penelitian menggunakan metode campuran dengan jenis desain eksploratori. Penelitian dilakukan pada April 2023-2024 pada 4 perusahaan tekstil di Kabupaten Sumedang Jawa Barat. Pengambilan data kualitatif dilakukan pada delapan orang informan. Sampel penelitian kuantitatif adalah pekerja wanita usia 15-49 tahun, memiliki anak usia ≥ 6 bulan-5 Tahun, dengan sampel berjumlah 558 orang yang didapatkan menggunakan teknik accidental sampling. Hasil penelitian menunjukkan bahwa pemberian ASI eksklusif memiliki hubungan signifikan dengan variabel tidak terpapar iklan susu formula (p=<0.001, OR=30.8 (95% CI: 9.08 – 104.6)), tidak mengalami stress kerja (p=<0.001, OR= 8,65 (95% CI: 2.89 – 25.8)), bekerja non shift (p=<0,001 OR=3.84 (95% CI: 1.93 -7.62)), tidak terpapar sosial budaya (p=0,016, OR=2.38 (95% CI: 1.17–4.83)) dan pengetahuan baik (p=0,025, OR=2.299 (95% CI: 1.042 – 5.072)) setelah dikendalikan oleh faktor implementasi program GP2SP, kebijakan laktasi, cuti melahirkan, ruang laktasi, sikap dan niat. Model Galaksi-Rose menunjukkan bahwa strategi peningkatan pemberian ASI eksklusif berfokus pada aspek intrapersonal pada pekerja dengan memaksimalkan peran dari tempat kerja dan peran dari lingkungan sosial. Peran lintas sektor secara luas diharapkan terutama dalam hal pemberian edukasi manajemen dan fisiologi laktasi untuk meningkatkan kesadaran bahwa ASI eksklusif memiliki manfaat bagi pekerja wanita dan bayinya, memiliki keuntungan bagi perusahaan, melakukan pengawasan dan pengaturan kondisi lingkungan kerja untuk menguatkan pekerja wanita sebagai pejuang ASI.
Working mothers have a higher risk of early breastfeeding termination. The government has established various policies. However, awareness in the industry is still low. This study aims to develop a model of workplace lactation support in the textile industry. The research approach used mixed methods with exploratory design. The research was conducted in April 2023-2024 in 4 textile companies in Sumedang Regency, West Java. Qualitative data collection was conducted on eight informants. The quantitative research sample was female workers aged 15-49 years, with children aged ≥ 6 months-5 years, with a sample of 558 people obtained using accidental sampling. The results showed that exclusive breastfeeding had a significant relationship with the variables of not being exposed to formula milk advertising (p=<0.001, OR=30.8 (95% CI: 9.08 - 104.6)), not experiencing work stress (p=<0.001, OR=8.65 (95% CI: 2.89 - 25.8)), working non-shift (p=
D-523
Depok : FKM-UI, 2024
S3 - Disertasi Pusat Informasi Kesehatan Masyarakat
☉
Machrumnizar; Promotor: Tris Eryando; Kopromotor: Adang Bachtiar, Rina Kurniasri Kusumaratna; Penguji: Anhari Achadi, Dumilah Ayuningtyas, Nastiti Kaswandani, Maxi Rein Rondonuwu, Dedy Sugiarto
Abstrak:
Read More
Tuberkulosis (TB) tetap menjadi masalah kesehatan utama di Indonesia dengan angka kejadian yang tinggi, termasuk pada anak-anak yang berkontribusi sekitar 16,68% dari total kasus TB nasional. Untuk mencapai target eliminasi TB pada tahun 2030, salah satu upaya strategis adalah optimalisasi deteksi dini melalui pemanfaatan teknologi digital dalam proses skrining dan diagnosis. Penelitian ini bertujuan mengembangkan model skrining TB anak berbasis machine learning dengan sistem skoring otomatis guna meningkatkan cakupan deteksi dan notifikasi kasus secara lebih efisien. Penelitian menggunakan pendekatan kuantitatif dengan rancangan kohort retrospektif dan dilaksanakan pada April–Agustus 2025 di delapan Puskesmas Kecamatan di wilayah Jakarta Barat. Data penelitian diperoleh dari rekam medis elektronik (RME) puskesmas dan database sistem informasi tuberkulosis (SITB) tahun 2023–2024. Model dikembangkan melalui empat skenario menggunakan lima algoritma, yaitu Logistic Regression, Decision Tree, Random Forest, K-Nearest Neighbor, dan Support Vector Machine. Evaluasi kinerja model dilakukan menggunakan cross-validation k-fold = 5 dengan metrik akurasi, sensitivitas, spesifisitas, dan Area Under the Receiver Operating Characteristic (AUROC). Hasil penelitian menunjukkan bahwa variabel dengan kontribusi prediktif terbesar meliputi pembesaran kelenjar, malaise ≥ dua minggu, penurunan atau stagnasi berat badan dua bulan terakhir, status gizi, dan riwayat kontak TB. Berdasarkan variabel tersebut, Decision Tree menjadi algoritma dengan performa terbaik karena menghasilkan nilai AUROC > 0,90. Nilai AUROC yang sangat tinggi (mendekati 1) menunjukkan bahwa kedua model memiliki kemampuan yang sangat baik dalam membedakan pasien anak dengan TB positif dan negatif berdasarkan skoring, serta sesuai untuk karakteristik data yang bersifat non-linear dengan interaksi antar gejala. Prototype aplikasi berbasis web yang dikembangkan mampu memberikan estimasi risiko secara cepat dan interaktif, sehingga berpotensi mendukung skrining TB anak di fasilitas layanan primer.
Tuberculosis (TB) remains a major public health challenge in Indonesia, with a high incidence rate, including among children who account for approximately 16.68% of all national TB cases. To achieve the 2030 TB elimination target, optimizing early detection through the use of digital technologies in screening and diagnosis is a key strategic approach. This study aims to develop a machine learning–based pediatric TB screening model equipped with an automated scoring system to enhance the efficiency of case detection and notification. A quantitative approach with a retrospective cohort design was employed, conducted from April to August 2025 across eight sub-district primary health centers (Puskesmas) in West Jakarta. Data were obtained from electronic medical records (RME) and the tuberculosis information database system (SITB) database for the years 2023–2024. The model was developed under four scenarios using five algorithms: Logistic Regression, Decision Tree, Random Forest, K-Nearest Neighbor, and Support Vector Machine. Model performance was evaluated using 5-fold cross-validation with accuracy, sensitivity, specificity, and Area Under the Receiver Operating Characteristic (AUROC) as the evaluation metrics. The findings indicate that the variables with the strongest predictive contributions include lymph node enlargement, malaise lasting ≥ two weeks, weight loss or stagnation over the past two months, nutritional status, and TB contact history. Based on these variables, Decision Tree demonstrated the best performance, achieving AUROC values > 0.90. Such high AUROC values (approaching 1) suggest excellent discriminatory ability in distinguishing TB-positive from TB-negative pediatric patients, particularly given the non-linear patterns and interactions among clinical symptoms. A prototype web-based application was developed and demonstrated the ability to generate rapid and interactive risk estimations. This tool shows strong potential to support pediatric TB screening efforts in primary healthcare settings.
D-615
Depok : FKM-UI, 2026
S3 - Disertasi Pusat Informasi Kesehatan Masyarakat
☉
Ade Heryana; Promotor: Wiku Bakti Bawono Adisasmito; Kopromotor: Dumilah Ayuningtyas; Penguji: Ascobat Gani, Fatma Lestari, Meiwita Paulina Budiharsana, Cri Sajjana Prajna Wekadigunawan, Turro Selrits Wongkaren, Raditya Jati
Abstrak:
Read More
Kejadian pandemi virus corona SARS-CoV-2 di dunia meningkatkan kesadaran bahwa pengendalian wabah penyakit di suatu daerah sangat berkaitan dengan karakteristik wilayah epidemik. Determinan sosial kesehatan dapat dijadikan sebagai kerangka kerja untuk memprediksi penyebaran penyakit dan mengusulkan upaya pengendalian wabah pada tingkat populasi berdasarkan penilaian risiko. Penelitian ini bertujuan mengembangkan model pengendalian wabah penyakit berbasis risiko wilayah. Metodologi: Studi kasus dilakukan terhadap pandemi COVID-19 saat gelombang Delta tahun 2021 di Indonesia. Untuk menjawab tujuan penelitian, dilakukan studi faktor risiko terhadap 128 kabupaten/kota di Jawa-Bali dengan analisis regresi linier. Penilaian risiko diukur dengan pemodelan kompartemen penyakit menular SEIRD (Susceptible, Exposed, Infected, Recovered, Dead). Usulan upaya mitigasi risiko, respon, kesiapsiagaan dan rehabilitasi dibangun berdasarkan hasil penilaian risiko. Seluruh analisis dikontrol berdasarkan tahapan pandemi yang terdiri dari pra, naik, turun, dan pasca. Hasil: terdapat 31 faktor determinan sosial kesehatan yang secara signifikan berpengaruh terhadap indikator wabah yakni kerentanan, penularan, kesembuhan, dan kematian. Hasil simulasi model diperoleh 17 faktor determinan sosial yang memiliki risiko signifikan berdasarkan vulnerability, capacity, exposure, dan hazard. Upaya pengendalian pandemi yang diusulkan ternyata memiliki perbedaan berdasarkan tahapan pandemi dan karakteristik wilayah kabupaten/kota. Kesimpulan: penelitian ini telah menghasilkan model pengendalian wabah berbasis risiko wilayah yang dapat diterapkan untuk mengatasi masalah krisis kesehatan lainnya pada tingkat lokal, regional, hingga global
The COVID-19 pandemic has raised awareness that the control of disease outbreaks in a region is closely linked to the characteristics of the epidemic region. Social determinants of health can be used as a framework to predict the spread of disease and propose outbreak control efforts at the population level based on risk assessment. This study aims to develop a risk region-based disease outbreak control model. Methodology: A case study was conducted on the COVID-19 pandemic during the Delta wave in 2021 in Indonesia. To answer the research objectives, a risk factor study was conducted on 128 regencies/cities in Java-Bali using linear regression analysis. Risk assessment was measured using the SEIRD (Susceptible, Exposed, Infected, Recovered, Dead) infectious disease compartment modeling. Proposed risk mitigation, response, preparedness, and rehabilitation efforts were built based on the results of risk assessment. All analyzes were controlled based on the stages of the pandemic, consisting of pre, increase, declining, and post. Results: There were 31 social determinants of health factors that significantly affected outbreak indicators, namely vulnerability, transmission, recovery, and death. The results of the model simulation showed 17 social determinants of risk based on vulnerability, capacity, exposure, and hazard. The proposed pandemic control efforts actually differ based on the stages of the pandemic and the characteristics of the regencies/cities. Conclusion: This study has resulted in a risk region-based disease outbreak control model that can be applied to address other health crisis problems at the local, regional, and global levels
D-503
Depok : FKM-UI, 2024
S3 - Disertasi Pusat Informasi Kesehatan Masyarakat
☉
Irenel; Promotor; Haryoto Kusnoputranto; Kopromotor: I Made Djaja, Dewi Susana; Penguji: Sudarto Ronoatmodjo, Sudijanto Kamso, Bambang Wispriyono, Tri Edhi Budhi Soesilo, Toni Wandra
D-245
Depok : FKM-UI, 2011
S3 - Disertasi Pusat Informasi Kesehatan Masyarakat
☉
Yudhia Fratidhina; Komisi Pembimbing; Rizanda Machmud, Artha Budhi Duarsa; Ketua Program Studi: Delmi Sulastri
D-368
Padang : Andalas, 2017
S3 - Disertasi Pusat Informasi Kesehatan Masyarakat
☉
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:
Read More
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.
D-601
Depok : FKM-UI, 2025
S3 - Disertasi Pusat Informasi Kesehatan Masyarakat
☉