Ditemukan 43370 dokumen yang sesuai dengan query :: Simpan CSV
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
☉
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
☉
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
☉
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
☉
Ari Dwi Aryani; Promotor: Adang Bachtiar; Kopromotor: Ali Ghufron Mukti, Fachmi Idris; Penguji: Dumilah Ayuningtyas, Kemal Nazaruddin Siregar, Mardiati Nadjib, Sabarinah, Rizanda Machmud
Abstrak:
Read More
Inekuitas pelayanan kesehatan masih terjadi setelah pelaksanaan Jaminan Kesehatan Nasional (JKN). Pemantauan secara berkala Kinerja Fasilitas Kesehatan Tingkat Pertama (FKTP) merupakan kunci untuk menurunkan inekuitas pelayanan kesehatan sebagai tujuan utama JKN. Penerapan Kapitasi Berbasis Kinerja (KBK) dengan tiga indikator sejak tahun 2016, menunjukkan terjadi perbaikan kinerja FKTP dalam meningkatkan kualitas dan efisiensi di pelayanan tingkat pertama. Penelitian ini bertujuan untuk mengembangkan model indikator kinerja, kapasitas FKTP dan indikator ekuitas agar dapat mengukur ekuitas pelayanan kesehatan. Desain penelitian menggunakan exploratory sequential-mixed method. Penelitian dibagi menjadi tiga tahapan. Tahap satu adalah systematic review untuk mengidentifikasi indikator yang dapat digunakan dalam mengukur kapasitas, kinerja FKTP dan ekuitas pelayanan kesehatan. Tahap dua dilakukan dengan pendekatan kualitatif dengan teknik Consensus Decision Making Group (CDMG) untuk menentukan indikator yang dapat dipakai dalam pengukuran kapasitas dan kinerja FKTP serta pengukuran ekuitas pelayanan kesehatan dengan para pakar. Tahap tiga adalah membuat pengembangan model indikator kinerja FKTP berdasarkan skema kapitasi yang dapat mengukur ekuitas akses layanan kesehatan, menggunakan analisis Structural Equation Modelling (SEM). Berdasarkan hasil SR, CDMG dan analisis SEM, indikator terpilih untuk mengukur kapasitas FKTP terdiri dari tiga indikator yaitu rasio dokter umum, sumberdaya sarana dan manusia (skor rekredensialing) dan pembiayaan (persen pembayaran KBK yang diterima). Indikator kinerja terpilih delapan indikator yaitu angka kontak, proporsi penderita DM diperiksa gula darah, proporsi penderita Hipertensi diperiksa tekanan darah, proporsi pasien tidak rujuk RS, proporsi rujukan non spesialistik, proporsi pasien rujuk balik, proporsi skrining penyakit jantung, DM dan Hipertensi, rasio pasien prolanis terkendali. Ekuitas pelayanan kesehatan dilihat dari rate utilisasi peserta FKTP berdasarkan jenis kelamin, usia dan sosial ekonomi (PBI-Non PBI). Analisis SEM menunjukan terdapat hubungan yang positif dan signifikan antara kapasitas dan kinerja FKTP dengan ekuitas pelayanan.
Healthcare inequities still occur after the implementation of the National Health Insurance (JKN). Regular monitoring of the performance of primary healthcare facilities (FKTP) is key to reducing healthcare inequities as the main goal of JKN. The implementation of Performance-Based Capitation (KBK) with three indicators since 2016 has shown improvements in the performance of primary healthcare facilities in improving the quality and efficiency of first-level services. Their capacity influences the performance of primary care facilities and impacts primary care performance outcomes (health service equity). This study objective was to develop a model of performance indicators, FKTP capacity and equity indicators to measure health service equity. The research design utilized an exploratory sequential-mixed method. The study was divided into three phases. Phase one was a systematic review to identify indicators that can be used in measuring capacity, FKTP performance and health service equity. Phase two was carried out by a qualitative approach with the Consensus Decision Making Group (CDMG) technique to determine indicators that can be used in measuring FKTP capacity and performance as well as measuring health service equity with experts. Phase three was the development of a model for FKTP performance indicators based on a capitation scheme that can measure the equity of health service access. This phase was carried out using Structural Equation Modeling (SEM) analysis. The SR, CDMG and SEM analysis show that there are three selected indicators to measure the capacity of primary health care facilities: general practitioner ratio, facility sufficiency(recredentialing score) and financing (percentage of KBK payments received). Eight performance indicators were selected, namely contact rate, proportion of DM patients checked for blood sugar, proportion of Hypertension patients checked for blood pressure, proportion of patients not referred to hospital, proportion of non-specialistic referrals, proportion of patients referred back to primary care providers, proportion of screening for heart disease, diabetes mellitus, and hypertension; and ratio of controlled Prolanis patients. Health service equity was analyzed from the utilization rate of participants based on gender, age and socioeconomic factors(PBI-Non PBI). SEM analysis showed a positive and significant relationship between the capacity and performance of primary health care facilities and equity.
D-508
Depok : FKM-UI, 2024
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
☉
Malahayati Rusli Bintang; Promotor: Adang Bachtiar; Kopromotor: Fachmi Idris; Penguji: Kemal Nazaruddin Siregar, Mardiati Nadjib, Pujiyanto, Ali Ghufron Mukti, Rizanda Mahmud, Achmad Farich
Abstrak:
Read More
Diabetes Melitus (DM) meningkatkan risiko terkena TB paru, terutama pada kelompok berisiko tinggi. Meskipun penemuan kasus secara aktif dan peningkatan pelaporan di fasilitas kesehatan sangat penting, namun keterlibatan sektor swasta dalam pengendalian TB masih rendah karena adanya fragmentasi dan dana yang tidak memadai. Sistem Informasi Tuberkulosis (SITB) adalah perangkat lunak utama untuk mencatat dan melaporkan kasus TB, namun aksesnya terbatas dan sistemnya tidak terintegrasi dengan baik. Untuk mengatasi tantangan ini, diperlukan e-screening tool untuk mengintegrasikan skrining TB ke dalam skrining diabetes yang ada saat ini secara efisien sehingga notifikasi TB di FKTP swasta dapat meningkat. Penelitian ini menggunakan pendekatan mixed exploratory sequential, yang menggabungkan metode kuantitatif dan kualitatif secara bertahap. Penelitian ini terdiri dari 3 tahap, yaitu tahap pertama menggunakan pendekatan kuantitatif dan tahap kedua dan ketiga menggunakan pendekatan kualitatif. Ditahap pertama, dilakukan analisis faktor determinan TB pada pasien DM menggunakan data Riskesdas 2013 dan 2018. Lalu tahap 2 dilakukan analisis/evaluasi mengenai implementasi proses notifikasi TB pada FKTP swasta dan pada tahap 3 dilakukan proses diseminasi kebijakan rancangan model skrining TB pada pasien DM dengan menggunakan pendekatan Policy Cycle. Hasil penelitian di tahap 1 menunjukkan bahwa variabel diagnosa penyakit kanker, riwayat merokok, ketersediaan rumah sakit swasta dan ketersediaan praktik dokter/klinik secara statistik memiliki hubungan yang signifikan terhadap kejadian TB pada pasien DM. lalu dari hasil uji multivariat diperoleh hasil bahwa kanker merupakan faktor prediktif pada kejadian penyakit TB paru pada penderita DM. hasil penelitian tahap 2 menunjukkan bahwa belum semua FKTP swasta memiliki SITB mandiri yang menyebabkan pencatatan dan pelaporan kasus TB menjadi temuan milik puskesmas dimana hal ini berdampak pada rendahnya notifikasi TB di FKTP swasta. Hasil penelitian tahap 3 menunjukkan bahwa untuk meningkatkan notifikasi TB di FKTP swasta dapat dilakukan dengan merancang e-screening tool TB dengan pendekatan kaskade TB 6T. Dengan mengintegrasikan JKN Mobile, E-RM, P-Care dan SITB dalam bentuk partner satu sehat, serta didukung dengan SDM, sarana prasarana dan pembiayaan yang cukup diharapkan dapat meningkatkan notifikasi TB di FKTP swasta sehingga dapat menurunkan angka kematian atau angka kesakitan akibat TB pada pasien DM.
Diabetes Mellitus (DM) increases the risk of developing pulmonary TB, especially in high-risk groups. While active case finding and improved reporting at health facilities are critical, private sector involvement in TB control remains low due to fragmentation and inadequate funding. The Tuberculosis Information System (TBIS) is the primary software for recording and reporting TB cases, but access is limited and the system is not well integrated. To overcome these challenges, an e-screening tool is necessary to efficiently integrate TB screening into existing diabetes screening so that TB notifications at private primary care facilities can increase. This study used a mixed exploratory sequential approach, which combines quantitative and qualitative methods in its stages. The study consisted of 3 stages, with the first stage using a quantitative approach and the second and third stages using a qualitative approach. In the first stage, the determinants of TB in patients with DM were analyzed using 2013 and 2018 Riskesdas data. Then in stage 2, an analysis/evaluation of the implementation of the TB notification process at private primary care facilities was carried out and in stage 3, the policy dissemination process of the TB screening model design in DM patients was carried out using the Policy Cycle approach. The results of stage 1 of the study showed that the variables of cancer diagnosis, smoking history, availability of private hospitals and availability of TB screening in DM patients were significantly associated with TB screening in DM patients. The results of the multivariate test showed that cancer was a predictive factor in the incidence of pulmonary TB disease in patients with DM. The results of phase 2 of the study showed that not all private primary health care facilities have independent SITB, which causes the recording and reporting of TB cases to be the findings of the puskesmas, thus has an impact on the low notification of TB in private primary health care facilities. The results of phase 3, showed that improving TB notification at private primary care facilities can be done by designing a TB e-screening tool with a 6T TB cascade approach. By integrating JKN Mobile, E-RM, P-care and SITB in the form of the intergrated system of Satu Sehat, and supported by sufficient human resources, infrastructure and financing, these allow room for a better national TB control management. In this light, TB notification rate has a good potential for improvements at private primary care facilities, and thus eventually contributing to a reduction of mortality or morbidity due to TB in DM patients.
D-509
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
☉
Russiana Dika Pratiwi; Pembimbing: Kurnia Sari; Penguji: Puput Oktamianti, Amelia Marif
Abstrak:
Mulai Januari 2014, Indonesia telah menerapkan sistem Jaminan Kesehatan Nasional (JKN). JKN diselenggarakan oleh Badan Penyelenggaraann Jaminan Kesehatan Nasional (JKN). Dimulainya sistem jaminan kesehatan menyebabkan banyaknya antrian yang terjadi di kantor Cabang BPJS Kesehatan 2500 pengunjung perhari pada 2015 sehingga melatarbelakangi BPJS Kesehatan meluncurkan program inovasi yaitu aplikasi Mobile JKN pada November 2017. Saat ini peserta BPJS Kesehatan baru mencapai 1 % yang menggunakan aplikasi Mobile JKN dan juga masih banyaknya pengembangan fitur yang ada dalam aplikasi Mobile JKN. Hal tersebut yang melatarbelakangi penelili untuk mengetahui gambaran implementasi penggunaan aplikasi Mobile JKN di fasilitas kesehatan tingkat pertama provider BPJS Kesehatan Cabang Jakarta Selatan. Metode penelitian ini adalah penelitian kualitatif. Metode yang digunakan dalam pengumpulan data yaitu wawancara mendalam dan observasi. Hasil dari penelitian ini adalah pengguna aplikasi Mobile JKN menyatakan bahwa penggunaan aplikasi Mobile JKN sangat bermanfaat dan memudahkan peserta BPJS Kesehatan dalam mengakses informasi dan pelayanan BPJS Kesehatan dan masih banyak masukan saran untuk pegembangan aplikasi Mobile JKN, namun aplikasi Mobile JKN telah memberikan manfaat bagi peserta dan juga petugas BPJS Kesehatan.
Kata kunci : Aplikasi Mobile JKN, JKN, Fasilitas Kesehatan Tingkat Pertama
Starting in January 2014, Indonesia has implemented a National Health Insurance (JKN) system. JKN is organized by the National Health Insurance Agency (JKN). Starting of the health insurance system caused a lot of queues in the BPJS Kesehatan office 2500 visitors in a day in 2015 so that the background of BPJS Kesehatan launched the innovation program, there is the JKN Mobile application in November 2017. Currently BPJS Kesehatan participants reach 1% who use the Mobile JKN application and also there are still many feature developments in the JKN Mobile application. This background of the researcher to find out overview of implementation of the Mobile JKN application usage in the primary healthcare provider of BPJS Kesehatan South Jakarta. This research method is qualitative research. The method used in data collection is indepth interviews and observation. The results of this study are JKN Mobile application users stated that the use of the JKN Mobile application is very useful and makes it easier for BPJS Health participants to access BPJS Health information and services and there are still many suggestions for developing the JKN Mobile application, but the JKN Mobile application has provided benefits to participants and also BPJS Kesehatan officers
Key words : JKN Mobile Applications, JKN, Primary Healthcare
Read More
Kata kunci : Aplikasi Mobile JKN, JKN, Fasilitas Kesehatan Tingkat Pertama
Starting in January 2014, Indonesia has implemented a National Health Insurance (JKN) system. JKN is organized by the National Health Insurance Agency (JKN). Starting of the health insurance system caused a lot of queues in the BPJS Kesehatan office 2500 visitors in a day in 2015 so that the background of BPJS Kesehatan launched the innovation program, there is the JKN Mobile application in November 2017. Currently BPJS Kesehatan participants reach 1% who use the Mobile JKN application and also there are still many feature developments in the JKN Mobile application. This background of the researcher to find out overview of implementation of the Mobile JKN application usage in the primary healthcare provider of BPJS Kesehatan South Jakarta. This research method is qualitative research. The method used in data collection is indepth interviews and observation. The results of this study are JKN Mobile application users stated that the use of the JKN Mobile application is very useful and makes it easier for BPJS Health participants to access BPJS Health information and services and there are still many suggestions for developing the JKN Mobile application, but the JKN Mobile application has provided benefits to participants and also BPJS Kesehatan officers
Key words : JKN Mobile Applications, JKN, Primary Healthcare
S-9693
Depok : FKM UI, 2018
S1 - Skripsi Pusat Informasi Kesehatan Masyarakat
☉
Syifa Adzannur Dzuhuria; Pembimbing: Jaslis Ilyas; Penguji: Pujiyanto, Susi Gunawan
Abstrak:
Penelitian ini bertujuan untuk mengetahui pelaksanaan Program Pengelolaan Penyakit Kronis (Prolanis) di Fasilitas Kesehatan Tingkat Pertama (FKTP) Wilayah Kerja BPJS Kesehatan KCU Kota Bogor Tahun 2018. Penelitian ini adalah penelitian kualitatif dengan menggunakan data primer dan sekunder. Data primer diperoleh dari hasil wawancara mendalam dan observasi dengan menggunakan pedoman wawancara serta daftar tilik observasi. Data sekunder diperoleh dari hasil telaah dokumen.
Penelitian menunjukkan bahwa masih terdapat masalah dalam sisi sumber daya manusia, sumber daya keuangan, dan peraturan. Empat dari lima kegiatan Prolanis sudah rutin dilaksanakan pada FKTP wilayah kerja BPJS Kesehatan KCU Kota Bogor. Peneliti menyarankan agar BPJS membuat adanya peninjauan ulang dalam keuangan serta melibatkan peran serta peserta dalam megelola kekurangan dana, melengkapi SOP yang ada dengan rincian jadwal kegiatan pada masing-masing kegiatan prolanis, dan pembuatan sistem reward pada pencapaian target Prolanis.
Read More
Penelitian menunjukkan bahwa masih terdapat masalah dalam sisi sumber daya manusia, sumber daya keuangan, dan peraturan. Empat dari lima kegiatan Prolanis sudah rutin dilaksanakan pada FKTP wilayah kerja BPJS Kesehatan KCU Kota Bogor. Peneliti menyarankan agar BPJS membuat adanya peninjauan ulang dalam keuangan serta melibatkan peran serta peserta dalam megelola kekurangan dana, melengkapi SOP yang ada dengan rincian jadwal kegiatan pada masing-masing kegiatan prolanis, dan pembuatan sistem reward pada pencapaian target Prolanis.
S-10213
Depok : FKM UI, 2019
S1 - Skripsi Pusat Informasi Kesehatan Masyarakat
☉