Ditemukan 35066 dokumen yang sesuai dengan query :: Simpan CSV
Meiyanti; Promotor: Dumilah Ayuningtyas; Kopromotor: Besral, Rina Kurniasri Kusumaratna; Penguji: Adang Bachtiar, Raden Rara Diah Handayani, Vivian Soetikno, Maxi Rein Rondonuwu, Henry Candra
Abstrak:
Read More
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.
D-573
Depok : FKM-UI, 2025
S3 - Disertasi Pusat Informasi Kesehatan Masyarakat
☉
Aqsha Azhary Nur: Promotor: Adang Bachtiar; Kopromotor: Dante Saksono Harbuwono, Sri Ratna Laksmiastuti; Penguji: Dwi Gayatri, Ratna Djuwita, Purnawan Junadi, Wisnu Jatmiko, Ali Ghufron Mukti, Rizanda Machmud
Abstrak:
Read More
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.
D-574
Depok : FKM-UI, 2025
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
☉
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
☉
Supriyadi; Promotor: Purnawan Junadi; Kopromotor: Tris Eryando, Wendy Hartanto; Penguji: Amal Chalik Sjaaf, Meiwita P. Budiharsana, Soewarta Koesen, Trihono, Kemal Nazaruddin Siregar
D-388
Depok : FKM-UI, 2018
S3 - Disertasi Pusat Informasi Kesehatan Masyarakat
☉
Faiza Yuniati; Promotor: Amal Chalik, Sjaaf; Kopromotor: Anhari Achadi, Budi Hidayat; Penguji: Meiwita Budiharsana, Mardiati Nadjib, Purnawan Junadi, Trihono, Harimat Hendrawan
Abstrak:
Read More
Perubahan dinamis di berbagai aspek merupakan salah satu pertimbangan perlunya penilaian kualitas hidup penduduk usia produktif yang merupakan sumber daya manusia utama. Tujuan penelitian ini adalah mengkonstruksi instrumen penilaian kualitas hidup berdasarkan 7 domain yaitu kesejahteraan, kesehatan umum, fisik, mental, lingkungan sosial, partisipasi di masyarakat dan keagamaan; serta mengetahui determinan yang berpengaruh terhadap perubahan kualitas hidup. Penelitian ini merupakan studi kohort menggunakan data IFLS 2007- 2014. Populasi target adalah individu usia 15-57 tahun (baseline) dengan jumlah sampel sebanyak 8920 orang yang memenuhi kriteria aktivitas utama bukan sekolah dan diikuti sampai tahu 2014. Confirmatory Factor Analysis digunakan untuk menguji validitas dan reliabilitas konstruk instrumen kualitas hidup. Determinan perubahan kualitas hidup di analisis dengan regresi linier. Hasil studi membuktikan bahwa terjadi penurunan kualitas hidup penduduk usia produktif dalam kurun waktu 7 tahun follow up. Penurunan rata-rata skor kualitas hidup tersebut sebesar 2,87 poin. Diketahui terdapat 4 domain kualitas hidup yang mengalami penurunan skor yaitu domain kesehatan umum, fisik, mental dan lingkungan sosial. Morbiditas akut dan indeks massa tubuh yang tinggi merupakan faktor dominan yang mempengaruhi penurunan kualitas hidup. Perlu dilakukan survei nasional penilaian multidimensional kualitas hidup penduduk usia produktif di Indonesia. Upaya preventif, promotif, menjaga berat badan dalam ambang normal dengan berperilaku hidup sehat dan gizi seimbang dapat mencegah morbiditas dan berat badan lebih.
D-418
Depok : FKM-UI, 2020
S3 - Disertasi Pusat Informasi Kesehatan Masyarakat
☉
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
☉
Felly Philipus Senewe;; Promotor: Purnawan Junadi; Ko-Promotor: Anhari Achadi; Penguji: Amal Chalik Sjaaf, Trihono, Ella Nurlaela Hadi, Syahrizal Syarif, Delina Hasan
D-288
Depok : FKM-UI, 2013
S3 - Disertasi Pusat Informasi Kesehatan Masyarakat
☉
Yvonne Suzy Handajani; Promotor: Soekidjo Notoatmodjo; Ko-promotor: Tri Budi W Rahardjo, Sudijanto Kamso; Hasbullah Thabrani; Sasanto Wibisono, Hary Isbagio, Kusharisupeni, Agus Suwandono, Lindawati Kusdhany
D-197
Depok : FKM-UI, 2006
S3 - Disertasi Pusat Informasi Kesehatan Masyarakat
☉
Rakhmat Soebekti; Promotor: Robiana Modjo; Kopromotor: Fatma Lestari; Penguji: Sabarinah Prasetyo, Indri Hapsari Susilowati, Adang Bachtiar, Audist Indirasari Subekti, Danang Insita Putra, Lana Saria
Abstrak:
Read More
Pekerjaan memadamkan kebakaran adalah sebuah pekerjaan yang penuh resiko bahaya dan petugas pemadam kebakaran (damkar) memiliki resiko kecelakaan kerja yang rata-rata lebih tinggi dibandingkan dengan kebanyakan pekerja lainnya. Sebagai pekerja penting di bidang keselamatan, semua petugas damkar dituntut harus selalu fit dan sehat secara fisik dan mental ketika menjalankan tugasnya. Adapun tujuan dari penelitian ini adalah untuk menetapkan faktor penentu fitness untuk bekerja petugas damkar dalam rangka pengembangan sebuah program evaluasi fitness bekerja, dan sekaligus untuk melakukan analisa atas hubungan nya dan prediksinya terhadap status fitness untuk bekerja. Target penelitian ini melibatkan seluruh petugas damkar tingkat operasional (n = 473) kota-kota industri perusahaan “X” di Qatar. Desain embedded mixed methods telah digunakan dalam penelitian ini, serta analisa deskriptif dan inferential (bivariat & multivariat/multiple linier regresi) juga telah digunakan untuk meng analisa faktor-faktor penentu dan gabungan nya terhadap status fitness untuk bekerja petugas damkar. Hasil penelitian ini mendukung adanya beberapa faktor penentu yang memiliki hubungan asosiasi secara statistik terhadap status fitness untuk bekerja (P Value < 0.001), dan gabungan faktor-faktor penentu juga dapat memberi lebih baik prediksi fitness bekerja petugas damkar. Disamping penelitian ini telah memberikan gambaran kuat hubungan dan prediksi yang lebih baik antara faktor penentu dan status fitness bekerja petugas damkar, studi ini juga mengusulkan sebuah program evaluasi baru yang didukung secara empiris.
Firefighting is a hazardous profession and firefighters suffer workplace injury at a higher rate than most other workers. As a safety critical job, all firefighters are required to always be fit and healthy physically and mentally while performing their task. The purpose of the research is to identify the determinant factors of firefighter’s fitness for duty, in order to develop an evaluation program of firefighter’s fitness for duty, and to analyse the association and the prediction on the status of fitness for duty. The research target encompassed the whole operational firefighters (n = 473) across Industrial Cities at Company “X” in Qatar. The embedded mixed methods design was used in this research and the descriptive as well as inferential (bivariate & multivariate/multiple linier regression) analysis were utilized to analyse the determinant factors, and its composite to the fitness for duty status. The research supported the determinant factors which have a significant association with fitness for duty status (P Value < 0.001), and the combined determinant factors can provide a better prediction of firefighter’s fitness for duty. Given a strong association and better prediction between the combined determinant factors and the status of fitness for duty, and this study has also suggested a new evaluation standard program throughout a research based.
D-547
Depok : FKM UI, 2024
S3 - Disertasi Pusat Informasi Kesehatan Masyarakat
☉