Ditemukan 31390 dokumen yang sesuai dengan query :: Simpan CSV
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:
Read More
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.
D-566
Depok : FKM UI, 2025
S3 - Disertasi Pusat Informasi Kesehatan Masyarakat
☉
Eka Santy; Promotor: Kemal Nazaruddin Siregar; Kopromotor: Besral, Narila Mutia Nasir; Penguji: Anhari Achadi, Artha Prabawa, Tris Eryando, Indrajani, Eka Budiarto
Abstrak:
Read More
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.
D-594
Depok : FKM-UI, 2025
S3 - Disertasi Pusat Informasi Kesehatan Masyarakat
☉
Dian Nur Hadianti; Promotor: Kemal Nazaruddin Siregar; Kopromotor: Tris Eryando, Sudibyo Alimoeso; Penguji: Anhari Achadi, Milla Herdayati, Sutanto Priyo Hastono, Indrajani Sutedja, Pungkas Bahjuri Ali
Abstrak:
Family Planning (FP) participation impacts fertility rates and population growth. The use of modern contraception among Generation Z has declined over the past two decades and is the lowest prevalence compared to other age groups. The solution offered is a predictive model for FP participation. This study aims to find a predictive model for FP participation at the community level. The methodology used is a sequential mixed method explanatory design with 5 research stages, stage 1 systemic literature review, stage 2 development of a predictive model using quantitative studies starting with statistics then machine learning, stage 3 analysis of system needs with qualitative studies on FP officers, WUSand related leadership elements, stage 4 development of a prototipe, stage 5 prototipe trials to be used as a digital intervention tool equipped with acceptance tests and efficacy tests with a Quasi-experimental design with a control group in Bandung City. The results of the study indicate that predictors of FP participation in Gen Z, with the most dominant variable related to the use of modern contraceptive methods, are the number of living children, with a p-value of 0.001 and an aOR of 26.63, while the results of feature importance in machine learning indicate that the most crucial feature is fertility status. The algorithm that can be obtained with the best performance is the Neural Network with an AUC value of 0.859, an Accuracy value of 0.839 or 83.9%, an F1-score of 0.838, a Precision 84.3%, a Recall of 0.839, and an MCC of 0.682. The results of the acceptance test of family planning officers and participants stated that the family planning participation prediction model was in the good and very good categories. The use and utilization of this prototype succeeded in improving the performance of family planning officers with performance indicators, satisfaction of WUSGen Z, knowledge, and attitudes of family planning officers. The use of this prototype succeeded in improving the attitude of WUSGen Z but was not significant in improving the knowledge of WUSGen Z. Thus, this study concludes that the family planning participation prediction model built in the Dplan KB app prototype can improve the performance of officers at the community level, and has great potential to be an innovative solution in family planning services
Read More
Kepesertaan Keluarga Berencana (KB) berdampak pada tingkat fertilitas dan pertumbuhan penduduk. Kondisi pemakaian kontrasepsi modern pada Generasi Z selama dua dekade mengalami penurunan dan merupakan prevalensi terendah dibandingkan dengan kelompok usia lainnya. Solusi yang ditawarkan adalah model prediksi kepesertaan KB. Penelitian ini bertujuan menemukan model prediksi kepesertaan KB di tingkat komunitas. Metodologi yang digunakan adalah mixed methods sequential Explanatory design dengan 5 tahapan penelitian, tahap 1 systemic literatur review, tahap 2 pengembangan model prediksi menggunakan setudi kuantitatif diawali dengan analisis statistik kemudian machine learning, tahap 3 analisis kebutuhan sistem dengan studi kualitatif pada petugas KB, WUSdan unsur pimpinan terkait, tahap 4 pengembangan prototipe, tahap 5 uji coba prototipe untuk digunakan sebagai alat intervensi digital dilengkapi dengan uji acceptance dan uji efikasi dengan Quasi eksperimen design with control group di Kota Bandung. Hasil penelitian menunjukkan prediktor kepesertaan KB pada Gen Z dengan variabel yang paling dominan berhubungan dengan penggunaan metode kontrasepsi modern adalah jumlah anak hidup dengan p-value 0,001 dan aOR 26,63, sedangkan hasil feature importance pada machine learning, fitur yang paling krusial adalah status fertilitas. Algoritme dengan kinerja terbaik adalah Neural Network dengan nilai AUC sebesar 0,859, nilai Accuracy 0,839 atau 83,9%, F1-score sebesar 0,838 Precision 84,3% Recall 0,839, dan MCC 0,682. Hasil uji acceptance petugas KB dan peserta menyatakan model prediksi kepesertaan KB dalam kategori baik dan sangat baik. Penggunaan dan pemanfaatan prototipe ini berhasil meningkatkan kinerja petugas KB dengan indikator kinerja, pengetahuan, dan sikap petugas KB, dan berdampak pada kepuasan, pengetahuan dan sikap WUS Gen Z. Pemanfaatan prototipe ini berhasil meningkatkan sikap WUS Gen Z namun tidak signifikan dalam meningkatkan pengetahuan WUSGen Z. Dengan demikina, penelitian ini menyimpulkan bahwa Model prediksi kepesertaan KB yang dibangun dalam prototipe apps Dplan KB dapat meningkatkan kinerja petugas di tingkat komunitas, dan berpotensi besar menjadi solusi inovatif dalam pelayanan KB.
Family Planning (FP) participation impacts fertility rates and population growth. The use of modern contraception among Generation Z has declined over the past two decades and is the lowest prevalence compared to other age groups. The solution offered is a predictive model for FP participation. This study aims to find a predictive model for FP participation at the community level. The methodology used is a sequential mixed method explanatory design with 5 research stages, stage 1 systemic literature review, stage 2 development of a predictive model using quantitative studies starting with statistics then machine learning, stage 3 analysis of system needs with qualitative studies on FP officers, WUSand related leadership elements, stage 4 development of a prototipe, stage 5 prototipe trials to be used as a digital intervention tool equipped with acceptance tests and efficacy tests with a Quasi-experimental design with a control group in Bandung City. The results of the study indicate that predictors of FP participation in Gen Z, with the most dominant variable related to the use of modern contraceptive methods, are the number of living children, with a p-value of 0.001 and an aOR of 26.63, while the results of feature importance in machine learning indicate that the most crucial feature is fertility status. The algorithm that can be obtained with the best performance is the Neural Network with an AUC value of 0.859, an Accuracy value of 0.839 or 83.9%, an F1-score of 0.838, a Precision 84.3%, a Recall of 0.839, and an MCC of 0.682. The results of the acceptance test of family planning officers and participants stated that the family planning participation prediction model was in the good and very good categories. The use and utilization of this prototype succeeded in improving the performance of family planning officers with performance indicators, satisfaction of WUSGen Z, knowledge, and attitudes of family planning officers. The use of this prototype succeeded in improving the attitude of WUSGen Z but was not significant in improving the knowledge of WUSGen Z. Thus, this study concludes that the family planning participation prediction model built in the Dplan KB app prototype can improve the performance of officers at the community level, and has great potential to be an innovative solution in family planning services
D-650
Depok : FKM-UI, 2026
S3 - Disertasi Pusat Informasi Kesehatan Masyarakat
☉
Restu Octasila; Promotor: Besral; Kopromotor: Kemal Nazaruddin Siregar; Penguji: Milla Herdayati, Tris Eryando, Teti Tejayanti, Soedibyo Alimoeso, Ade Jubaedah, Ariyanto Nugroho, Laode Muhammad Rasidi Rere
Abstrak:
Read More
Angka Kematian Bayi (AKB) di Indonesia masih menjadi tantangan kesehatan masyarakat yang besar, dengan disparitas yang signifikan antara provinsi. Berdasarkan data Survei Demografi dan Kesehatan Indonesia (SDKI), AKB nasional mencapai 24 per 1.000 kelahiran hidup pada tahun 2017, namun beberapa provinsi di kawasan timur Indonesia mencatat angka yang jauh lebih tinggi. Keterlambatan dalam deteksi risiko, perencanaan intervensi yang seragam tanpa mempertimbangkan heterogenitas wilayah, dan keterbatasan pendekatan analitik konvensional menjadi hambatan utama dalam penurunan AKB secara bermakna. Penelitian ini bertujuan mengembangkan model machine learning untuk memprediksi dan memproyeksikan kesintasan hidup bayi berdasarkan klasterisasi provinsi di Indonesia, menggunakan data SDKI 2017 (n=13.553 bayi dari 34 provinsi). Desain penelitian bersifat observasional analitik yang dilaksanakan dalam lima fase terpadu: (1) systematic literatur review kesintasan hidup bayi; (2) analisis survival dan identifikasi determinan menggunakan Kaplan-Meier dan regresi Cox multivariat; (3) klasterisasi provinsi menggunakan algoritme K-Modes berdasarkan profil variabel kategorik; (4) pengembangan dan evaluasi lima model machine learning (Logistic Regression, Random Forest, AdaBoost, Gradient Boosting, XGBoost, dan LightGBM) dengan penyeimbangan kelas menggunakan ADASYN; dan (5) proyeksi kesintasan berdasarkan skenario perbaikan determinan utama per klaster. Probabilitas kesintasan hidup kumulatif bayi nasional pada 12 bulan adalah S(t) = 98,56% dengan 189 kematian dari 13.553 bayi yang diamati. Analisis multivariat mengidentifikasi enam determinan independen, dengan berat bayi lahir sebagai prediktor terkuat (aHR bayi tidak ditimbang: 2,6; 95% CI: 2,0–3,4). Klasterisasi K-Modes menghasilkan dua klaster yang berbeda secara signifikan: Klaster 1 mencakup 24 provinsi (survival 12 bulan: 98,77%) dan Klaster 2 mencakup 10 provinsi yaitu NTT, Kalimantan Tengah, Sulawesi Tengah, Sulawesi Tenggara, Gorontalo, Sulawesi Barat, Maluku, Maluku Utara, Papua Barat, dan Papua dengan probabilitas kesintasan 98,00%. Model LightGBM Classifier terbukti sebagai algoritme terbaik pada kedua klaster: ROC-AUC 0,939 dengan F1-score 0,890 pada Klaster 1, dan ROC-AUC 0,940 dengan F1-score 0,910 pada Klaster 2. Tingginya nilai recall pada Klaster 2 (0,940 vs 0,877) menunjukkan kemampuan model dalam meminimalkan false negative kematian bayi di kawasan yang paling rentan. Proyeksi simultan seluruh skenario intervensi memperkirakan peningkatan survival Klaster 1 dari 98,77% menjadi 99,5–99,7%, dan Klaster 2 dari 98,00% menjadi 99,3–99,5%, sehingga disparitas antara kedua klaster dapat dipersempit dari 0,77 menjadi kurang dari 0,2 poin persentase.
The Infant Mortality Rate (IMR) in Indonesia remains a major public health chal-lenge, with significant disparities between provinces. According to the Indonesian Demographic and Health Survey (IDHS), the national IMR reached 24 per 1,000 live births in 2017, but several provinces in eastern Indonesia recorded much higher rates. Delays in risk detection, uniform intervention planning without considering regional heterogeneity, and limitations of conventional analytical approaches are ma-jor obstacles to meaningful IMR reduction. This study aims to develop a machine learning model to predict and project infant survival based on provincial clustering in Indonesia, using 2017 IDHS data (n=13,553 infants from 34 provinces). The study design was observational and analytical, implemented in five integrated phas-es: (1) a systematic literature review on infant survival; (2) survival analysis and identification of determinants using Kaplan-Meier and multivariate Cox regression; (3) provincial clustering using the K-Modes algorithm based on categorical variable profiles; (4) development and evaluation of five machine learning models (Logistic Regression, Random Forest, AdaBoost, Gradient Boosting, XGBoost, and LightGBM) with class balancing using ADASYN; and (5) survival projections based on scenarios for improving the main determinants per cluster. The national cumulative infant survival probability at 12 months was S(t) = 98.56% with 189 deaths out of 13,553 observed infants. Multivariate analysis identified six independ-ent determinants, with birth weight as the strongest predictor (aHR unweighted in-fants: 2.6; 95% CI: 2.0–3.4). K-Modes clustering resulted in two significantly dif-ferent clusters: Cluster 1 encompassing 24 provinces (12-month survival: 98.77%) and Cluster 2 encompassing 10 provinces, namely NTT, Central Kalimantan, Cen-tral Sulawesi, Southeast Sulawesi, Gorontalo, West Sulawesi, Maluku, North Ma-luku, West Papua, and Papua with a survival probability of 98.00%. The LightGBM Classifier model proved to be the best algorithm in both clusters: ROC-AUC 0.939 with F1-score 0.890 in Cluster 1, and ROC-AUC 0.940 with F1-score 0.910 in Cluster 2. The high recall value in Cluster 2 (0.940 vs 0.877) indicates the model's ability to minimize false negative infant mortality in the most vulnerable are-as. Simultaneous projection of all intervention scenarios estimates an increase in survival for Cluster 1 from 98.77% to 99.5–99.7%, and for Cluster 2 from 98.00% to 99.3–99.5%, so that the disparity between the two clusters can be narrowed from 0.77 to less than 0.2 percentage points.
D-638
Depok : FKM-UI, 2026
S3 - Disertasi Pusat Informasi Kesehatan Masyarakat
☉
Fika Minata Wathan; Pembimbing: Kemal Nazaruddin Siregar, Anhari Achadi, Rima Irwinda; Penguji: Tris Eryando, Besral, Yusuf Effendy, Heru Purnomo Ipung, Mujiono Sadikin
Abstrak:
Read More
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.
Background: Preterm birth is the highest cause of neonatal death. Indonesia occupies the highest position in ASEAN and fifth in the world for preterm births. Formulation of the problem: There is no predictive model of preterm birth that provides a useful predictor for developing prevention programs. Objective: To find prediction model of preterm birth based on machine learning for early detection of preterm birth in First Level Health Facilities (FKTP). Methods: This study uses a case control study design using medical record data at the Hospital (RS) in Palembang that isYK Madira Hospital, RSMH, Bunda Hospital, Ar Rasyid Hospital, Muhammadiyah Hospital, and Bhayangkara Hospital in 2019 with a total sample of 1758 respondents consisting of 879 preterm and 879 term. The risk factors used in this study were obtained from a Systematic Literature Review consisting of: sociodemographic factors (10 variables), behavioral/lifestyle factors (5 variables), maternal factors/mother's condition before pregnancy (8 variables), pregnancy/gynecological factors (21 variables), biological factors (3 variables), health service factors (2 variables) and fetal factors (4 variables). The modeling is done using machine learning using decision tree algorithms, K-Nearest Neighbor (KNN), nave Bayes, logistic regression, Support Vector Machine (SVM) and neural networks (CNN1D, multilayer perceptron and backpropagation). Results: Found 21 research variables from 53 variables were needed, and found 6 variables that were the main predictors of preterm birth including pre-eclampsia, bleeding in pregnancy, history of premature rupture of membranes, distance between two pregnancies, parity, and anemia. In this study, the best algorithm was found, namely decision tree with an accuracy value of 95% for training and 96% for testing and a prototype was made in the form of a web-based application for early detection in FKTP. Conclusion: It was found that the research novelty obtained a predictive model of preterm birth, which is the main cause of AKN, where this model has the potential to be used in FKTP as an early detection effort. This predictive model will detect pregnant women will be at risk of preterm or not at risk. If it is known that the mother is at risk of preterm birth, the mother is recommended to do an examination at the hospital, so that there is no delay in handling that causes the death of both mother and baby. Compared to no predictive model, the risk of preterm birth cannot be prevented, so that delays in treatment will occur. Keywords: Preterm birth, predictor factors, pre-eclampsia, machine learning, decision tr
D-449
Depok : FKM-UI, 2021
S3 - Disertasi Pusat Informasi Kesehatan Masyarakat
☉
Ambo Sakka; Promotor: Ede Surya Darmawan; Kopromotor: Dumilah Ayuningtyas, Dewi Gayatri; Penguji: Martya Rahmaniati Makful, Wachyu Sulistiadi, Syahrir A. Pasinringi, Sutopo Patria Jati, Farida Briani Sobri
Abstrak:
Read More
Utilisasi pelayanan rumah sakit pada pasien kanker payudara dalam program Jaminan Kesehatan Nasional (JKN) menunjukkan pola yang heterogen dan belum terpetakan secara empiris. Penelitian ini bertujuan (1) mengidentifikasi kelas laten pola utilisasi pelayanan rumah sakit pada pasien kanker payudara peserta JKN melalui Analisis Kelas Laten; (2) menganalisis distribusi variabel prediktor berbasis Andersen Behavioral Model antar kelas utilisasi yang terbentuk; (3) membangun dan mengevaluasi model prediksi kelas utilisasi menggunakan pendekatan pembelajaran mesin dengan analisis kontribusi variabel prediktor; serta (4) merumuskan implikasi kebijakan berbasis temuan empiris untuk penguatan sistem JKN. Penelitian ini menggunakan desain kohort retrospektif berbasis Data Sampel BPJS Kesehatan periode 2017–2024 dengan sampel 3.186 pasien kanker payudara (ICD-10 C50.x dan D05.x) untuk pembentukan kelas utilisasi, dan 3.131 pasien untuk pemodelan prediktif. Hasil LCA mengidentifikasi empat kelas utilisasi yang berbeda secara substantif: Low Utilizer (33,5%; n=1.066), Moderate Outpatient (26,4%; n=841), High Inpatient Complex (21,6%; n=687), dan High Outpatient (18,6%; n=592), dengan model optimal memiliki nilai BIC 24.081,73 dan Entropy 0,894. Model prediksi yang dibangun mencapai akurasi 67,8% pada data uji independen, nilai Cohen's Kappa 0,56, dan rata-rata AUC makro 0,889 dengan kemampuan identifikasi kelas High Inpatient Complex mencapai AUC 0,910. Analisis kontribusi variabel prediktor mengkonfirmasi dominasi faktor kebutuhan klinis dimana lima dari lima prediktor teratas adalah faktor klinis, dengan episode kemoterapi sebagai determinan terkuat (nilai kontribusi 0,7456) yang mengkonfirmasi secara empiris prediksi Andersen Behavioral Model tentang dominasi kebutuhan klinis dalam sistem dengan cakupan finansial tinggi. Penelitian ini merekomendasikan pengembangan sistem peringatan dini berbasis data klaim, perluasan program pengelolaan penyakit kronis ke kanker payudara, reformasi tarif pelayanan berbasis kompleksitas utilisasi longitudinal, serta integrasi data klaim BPJS Kesehatan dengan Registri Kanker Nasional sebagai fondasi pemantauan berbasis nilai layanan kesehatan.
Hospital service utilization among breast cancer patients in Indonesia's National Health Insurance (JKN) program demonstrates heterogeneous patterns that have not been empirically mapped. This study aimed to (1) identify latent classes of hospital service utilization among breast cancer patients enrolled in JKN using Latent Class Analysis; (2) analyze the distribution of Andersen Behavioral Model-based predictor variables across the identified utilization classes; (3) develop and evaluate a predictive model for utilization class classification using a machine learning approach with predictor variable contribution analysis; and (4) formulate evidence-based policy implications for JKN system strengthening. This retrospective cohort study utilized BPJS Kesehatan's Sample Data 2017–2024, with a sample of 3,186 breast cancer patients (ICD-10 C50.x and D05.x) for utilization class formation and 3,131 patients for predictive modeling. LCA identified four substantively distinct utilization classes: Low Utilizer (33.5%; n=1,066), Moderate Outpatient (26.4%; n=841), High Inpatient Complex (21.6%; n=687), and High Outpatient (18.6%; n=592), with the optimal model achieving BIC of 24,081.73 and Entropy of 0.894. The predictive model achieved 67.8% accuracy on an independent test set, Cohen's Kappa of 0.56, and macro-average AUC of 0.889, with High Inpatient Complex identification reaching AUC of 0.910. Variable contribution analysis confirmed the dominance of clinical need factors, chemotherapy episodes emerged as the strongest determinant (contribution value 0.7456), empirically confirming the Andersen Behavioral Model's prediction about clinical need dominance in high-coverage systems. This study recommends developing claims data-based early warning systems, expanding chronic disease management programs to breast cancer, reforming reimbursement tariffs based on longitudinal utilization complexity, and integrating BPJS Kesehatan claims data with the National Cancer Registry.
D-646
Depok : FKM-UI, 2026
S3 - Disertasi Pusat Informasi Kesehatan Masyarakat
☉
Rico Kurniawan; Promotor: Budi Utomo; Kopromotor: Kemal Nazaruddin Siregar, Kalamullah Ramli; Penguji: Anhari Achadi, Besral, Tris Eryando, Soewarta Kosen; Ruddy J. Suhatril
Abstrak:
Read More
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.
D-495
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
☉
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:
Read More
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.
D-527
Depok : FKM-UI, 2024
S3 - Disertasi Pusat Informasi Kesehatan Masyarakat
☉
Andi Afdal Abdullah; Promotor: Budi Hidayat; Kopromotor: Pujiyanto; Penguji: Atik Nurwahyuni, Mardiati Nadjib, Soewarta Kosen, Ali Ghufron Mukti; Mahlil Ruby; Teguh Dartanto
Abstrak:
Read More
Latar belakang: Kemudahan akses pelayanan kesehatan bagi peserta Jaminan Kesehatan Nasional (JKN) merupakan salah satu upaya untuk meningkatkan derajat kesehatan penduduk Indonesia. Kemudahan akses ini terwujud dengan bertambahnya fasilitas kesehatan yang melayani peserta JKN. Indikator kemudahan akses terlihat dari bertambahnya jumlah peserta yang berkunjung ke fasilitas kesehatan baik di tingkat pelayanan rawat jalan maupun rawat inap. Kunjungan peserta JKN per 1.000 penduduk dikenal dengan isitilah rate sebagai salah satu indikator utilisasi pelayanan kesehatan untuk menjaga kesinambungan program JKN. Tujuan: penelitian ini bertujuan menganalisis faktor yang mempengaruhi rate rawat jalan tingkat lanjutan (RJTL) maupun rawat inap inap tingkat lanjutan (RITL) dan pemodelan prediksi rate RJTL dan rate RITL. Data yang digunakan berasal dari database BPJS Kesehatan dan Survei Sosial Ekonomi Nasional (SUSENAS) tahun 2016 – 2019 yang diolah berdasarkan faktor predisposing, faktor enabling, dan faktor need dimana semua data digunakan dalam penelitian atau total sampling. Metode: analisis data panel dinamis yang ditujukan untuk membuat model prediksi rate RJTL dan rate RITL. Hasil: model prediksi yang digunakan pada rate RJTL dan rate RITL adalah estimator First Difference Generalized Method of Moment (FDGMM). Kesimpulan: rate RJTL dipengaruhi oleh variabel nilai tagihan klaim dibayar per kunjungan RJTL; jumlah rumah sakit kelas A, B, C, D; jumlah peserta pria; jumlah peserta berusia > 50 tahun; jumlah peserta dengan jumlah anggota keluarga > 3 orang; jumlah peserta berpengeluaran di bawah garis kemiskinan; jumlah peserta dengan penyakit tidak menular; rasio fragmentasi; rasio rujukan; dan jumlah peserta berpendidikan SMP. Sedangkan, rate RITL dipengaruhi oleh variabel nilai tagihan klaim dibayar per kunjungan RITL; jumlah rumah sakit kelas A, B, C, D; jumlah peserta pria; jumlah peserta berusia > 50 tahun; jumlah peserta dengan jumlah anggota keluarga > 3 orang; rate readmisi; jumlah peserta berpendidikan SMP; dan jumlah peserta berpendidikan Perguruan Tinggi. Saran: hasil penelitian menyarankan agar Pemerintah Daerah turut mendukung pemenuhan sarana prasarana pelayanan kesehatan agar masyarakat dapat menjangkau pelayanan kesehatan dengan mudah, mengelola perencanaan penambahan rumah sakit sesuai kebutuhan; Kementerian Kesehatan dapat memberikan regulasi terkait pemenuhan dan pemerataan fasilitas kesehatan maupun tenaga medis, terutama pada daerah dengan keadaan geografis yang sulit; BPJS Kesehatan dapat menggunakan model prediksi rate RJTL dan rate RITL sebagai alat bantu dalam menilai kebutuhan penambahan kerjasama dengan rumah sakit. Peneliti selanjutnya dapat melakukan penelitian dengan faktor utilisasi yang lebih luas dan lengkap serta melakukan kajian yang lebih mendalam pada satu wilayah tertentu dengan mempertimbangkan pengaruh aspek geografis, seperti jarak antar fasilitas kesehatan, luas wilayah dan kondisi akses ke fasilitas kesehatan.
Background: easy access to health services for participants of the National Health Insurance (JKN) is one of the efforts to improve the health status of the Indonesian population. This accessibility is achieved through an increase in health facilities serving JKN participants. The indicator of accessibility can be observed from the rising number of participants visiting health facilities, both at the outpatient and inpatient levels. The rate of visits by JKN participants per 1.000 population is considered an indicator of health service utilization, which contributes to the continuity of the JKN program. Objective: this study aims to analyze the factors that influence the advanced level of outpatient care (RJTL) and inpatient care (RITL) and to model the prediction of RJTL rates and RITL rates. The data used is derived from the BPJS Kesehatan database and the 2016-2019 National Socioeconomic Survey (SUSENAS), which are processed based on predisposing factors, enabling factors, and need factors. All data is utilized in the research, employing total sampling. Method: dynamic panel data analysis is employed to develop prediction models for RJTL rates and RITL rates. Results: the prediction model used for the RJTL rate and RITL rate is the First Difference Generalized Method of Moment (FDGMM) estimator. Conclusion: RJTL rate is influenced by several variables: value of claims bills paid per RJTL visit, number of class A, B, C, and D hospitals, number of male participants, number of participants aged over 50 years, number of participants with more than 3 family members, number of participants with expenditures below the poverty line, number of participants with non-communicable diseases, fragmentation ratio, referral ratio, and number of participants with junior high school education. On the other hand, the RITL rate is affected by value of claim bills paid per RITL visit, number of class A, B, C, and D hospitals, number of male participants, number of participants aged over 50 years, number of participants with more than 3 family members, readmission rate, number of participants with junior high school education, and number of participants with university education. Recommendations: the results of this study suggest that the Regional Government should also support the fulfillment of health service infrastructure so that partisipant can reach health services easily, manage plans for adding hospitals as needed; The Ministry of Health can provide regulations regarding the fulfillment and equity of health facilities and medical personnel, especially in areas with difficult geographical conditions; BPJS Kesehatan can use RJTL rate prediction model and RITL rate as a tool in assessing the need for additional collaboration with hospitals. Future researchers can conduct research with broader and more complete utilization factors and conduct more in-depth studies in a particular area by considering the influence of geographical aspects, such as the distance between health facilities, area size and conditions of access to health facilities.
D-483
Depok : FKM-UI, 2023
S3 - Disertasi Pusat Informasi Kesehatan Masyarakat
☉