Ditemukan 24855 dokumen yang sesuai dengan query :: Simpan CSV
Muhammad Syauqie; Promotor: Sutanto Priyo Hastono; Kopromotor: Kemal Nazaruddin Siregar, Nila F. Moeloek; Penguji: Tris Eryando, Prasandhya Astagiri Yusuf, Eva Susanti, Lutfah Rif’ati, Joss Riono
Abstrak:
Read More
Kelainan refraksi yang tidak terkoreksi merupakan penyebab terbesar visual impairment di seluruh dunia. Deteksi dini dan intervensi cepat sangat krusial untuk mencegah gangguan penglihatan permanen pada masa kanak-kanak. Skrining konvensional di komunitas sering terhambat oleh keterbatasan sumber daya manusia dan waktu pemeriksaan yang lama. Prinsip pemeriksaan photorefractive dapat diadaptasi menggunakan kamera smartphone untuk menghasilkan foto refleks merah fundus mata, namun analisisnya memerlukan pakar. Proses analisis ini dapat diotomatisasi dengan penggunaan model algoritma Deep Learning Convolutional Neural Network (CNN). Penelitian ini bertujuan untuk mengembangkan model algoritma deep learning berbasis pola refleks merah fundus mata untuk deteksi kelainan refraksi pada anak yang dapat dioperasikan secara efektif oleh tenaga pemeriksa non-spesialis (guru sekolah) dalam upaya meningkatkan cakupan deteksi dini di komunitas. Penelitian bersifat diagnostik dengan desain cross-sectional dan dilakukan dalam empat tahap. Sumber data primer adalah foto kedua mata dengan pola refleks merah fundus yang diambil menggunakan kamera smartphone dan data power dioptri mata dari autorefraktometer sebagai baku emas. Total 315 siswa SD berusia 6-13 tahun di Kota Padang (630 mata) dijadikan sampel pada tahap pengujian lapangan. Model deep learning optimal yang dikembangkan adalah model CNN 3-branch. Kinerja model dievaluasi menggunakan metrik diagnostik (Sensitivitas, Spesifisitas, AUC) dan diuji reliabilitasnya antara pemeriksa spesialis dan non-spesialis. Pada validasi internal di tahap 2, model CNN 3-branch menunjukkan kinerja optimal dengan tingkat akurasi sebesar 91%, presisi sebesar 92%, dan recall sebesar 91%. Pada uji coba lapangan di tahap 3, hasil pengujian di 3 Sekolah Dasar menunjukkan: 1) Untuk deteksi miopia signifikan, model mencapai Sensitivitas 92.0%, Spesifisitas 79.9%, dan AUC 0.86; 2) Untuk deteksi kelainan refraksi tidak signifikan, Sensitivitas 67.1%, Spesifisitas 84.2%, dan AUC 0.76; dan 3) Untuk deteksi hipermetropia signifikan, Sensitivitas 42.4%, Spesifisitas 98.0%, dan AUC 0.70. Dalam hal feasibilitas, model algoritma deep learning memiliki reliabilitas dan akseptabilitas yang baik ketika digunakan oleh pemeriksa non-spesialis (guru). Model algoritma deep learning berbasis pola refleks merah fundus mata memiliki validitas yang baik dibandingkan dengan autorefraktometer dan reliabilitas yang baik antara pemeriksa spesialis dan non-spesialis. Instrumen ini menunjukkan potensi sebagai terobosan baru yang feasible untuk skrining kelainan refraksi yang cepat dan akurat di tingkat pelayanan kesehatan primer dan komunitas.
Uncorrected refractive error is the primary cause of visual impairment worldwide and early detection and rapid intervention are crucial in childhood. Conventional vision screening in the community is hampered by limited human resources and lengthy examination times. The photorefractive examination principle can be adapted using a smartphone camera to capture a red fundus reflex image, but its analysis requires an expert ophthalmologist. This analysis process can be automated through the use of a Deep Learning Convolutional Neural Network (CNN) algorithm model. This study aims to develop a deep learning algorithm model based on the red fundus reflex pattern for detecting refractive errors in children, which can be effectively operated by non-specialist examiners (school teachers). This is a diagnostic study with a cross-sectional design and was conducted in four stages. Primary data sources included images of both eyes displaying the red fundus reflex pattern taken with a smartphone camera and dioptric power data from an autorefractometer. A total of 315 elementary school students (630 eyes) aged 6–13 years in Padang were included. The deep learning model developed was the 3-branch CNN model. Model performance was evaluated using diagnostic metrics (Sensitivity, Specificity, AUC) and tested for its reliability. In the internal validation (Stage 2), the model had an accuracy rate of 91%, precision of 92%, and a recall of 91%. In the field trials (Stage 3), testing results in 3 schools showed: 1) For the detection of significant myopia, the model achieved a Sensitivity of 92.0%, Specificity of 79.9%, and AUC of 0.86; 2) For the detection of non-significant refractive error, the model achieved a Sensitivity of 67.1%, Specificity of 84.2%, and AUC of 0.76 ; and 3) For the detection of significant hypermetropia, the model achieved a Sensitivity of 42.4%, Specificity of 98.0%, and AUC of 0.70. Regarding feasibility, the deep learning algorithm model demonstrated good reliability and acceptability when used by non-specialist examiners (teachers). The deep learning algorithm model based on the red fundus reflex pattern possesses good validity when compared to the autorefractometer and good reliability between specialist and non-specialist examiners. This instrument shows potential as a new and feasible breakthrough for rapid and accurate refractive error screening at the primary healthcare and community level.
D-601
Depok : FKM-UI, 2025
S3 - Disertasi Pusat Informasi Kesehatan Masyarakat
☉
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
☉
Dewi Nirmala Sari; Promotor: Hadi Pratomo; Kopromotor: Kemal Nazaruddin Siregar, Hervita Diatri ; Penguji: Sudarto Ronoatmodjo, Budi Anna Keliat, Sherly Saragih Turnip, Didi Danukusumo; Indra Supradewi
Abstrak:
Read More
Secara global, termasuk di Indonesia, ibu hamil merupakan populasi rentan untuk mengalami gejala kecemasan dan depresi. Apabila kedua gejala tersebut tidak teridentifikasi dan ditata laksana selama kehamilan akan menimbulkan dampak terhadap kesehatan ibu seperti, depresi pascapersalinan, pre eklampsi, bahkan bunuh diri, dan kesehatan anak seperti, prematur dan berat badan lahir rendah. Oleh karena itu, skrining gejala kecemasan dan depresi pada ibu hamil sangat penting dilakukan. Indonesia telah memiliki kebijakan penilaian kesehatan jiwa dalam antenatal care (ANC) sejak Juli 2021. Indonesia juga sedang melakukan transformasi kesehatan digital untuk meningkatkan mutu pelayanan kesehatan. Namun, Indonesia belum memiliki instrumen dan protokol skrining gejala kecemasan dan depresi dalam pelayanan antenatal baik secara konvensional maupun pemanfaatan teknologi digital. Tujuan penelitian ini adalah mengembangkan sistem skrining gejala kecemasan dan depresi pada ibu hamil berbasis expert system dalam ANC. Penelitian ini terdiri dari tiga tahap. Tahap ke-1 menguji validitas dan reliabilitas instrumen Edinburgh Postnatal Depression Scale (EPDS) versi bahasa Indonesia pada 125 ibu hamil secara daring melalui penyebaran formulir Google. Tahap ke-2 menilai kemampuan skrining instrumen EPDS dibandingkan dengan instrumen MINI-International Neuropsychiatric Interview (MINI) sebagai gold standard pada 298 ibu hamil. Tahap ke-2 ini dilakukan di Kota Depok (Puskesmas Beji, Cipayung, Jati Jajar, dan Pancoran Mas). Penilaian MINI dilakukan secara daring oleh dua orang enumerator terlatih. Tahap ke-3 dilakukan pengembangan prototipe sistem skrining gejala kecemasan dan depresi berbasis expert system. Analisis statistik pada tahap 1 dengan berbagai jenis uji validitas dan reliabilitas. Tahap ke-2 dilakukan penilaian sensitivitas dan spesifisitas. Tahap ke-3 dilakukan evaluasi terhadap akurasi expert system dan fisibilitas prototipe. Penelitian ini menghasilkan instrumen EPDS versi bahasa Indonesia yang terbukti valid dan reliabel untuk digunakan pada populasi ibu hamil. Instrumen ini memiliki sensitivitas dan spesifisitas > 90% untuk skrining gejala kecemasan dan depresi kehamilan. Proporsi akurasi pada expert system > 90%. Ibu hamil menyatakan prototipe ini mudah, waktu penilaian singkat, dan bermanfaat untuk digunakan. Prototipe berbasis expert system yang disebut BMoms, layak dan mampu laksana untuk skrining gejala kecemasan dan depresi pada ibu hamil dalam ANC. Oleh karena itu, prototipe BMoms dapat dikembangkan lebih lanjut menjadi aplikasi siap dan tepat guna sehingga menjadi solusi inovatif untuk skrining kesehatan jiwa pada ibu hamil.
Globally, including Indonesia, pregnant women are vulnerable population to experience symptoms of anxiety and depression. If these two symptoms are not identified and treated during pregnancy, it will have an impact on maternal and child health, such as suicide, pre-eclampsia, postpartum depression, premature, and low birth weight. Therefore, screening for symptoms of anxiety and depression in pregnant women is very important. However, Indonesia does not yet have instruments and protocols for screening symptoms of anxiety and depression in pregnant women in antenatal care (ANC) both conventionally and the use of digital technology. In fact, Indonesia already has a mental health assessment policy in ANC since July, 2021 and is currently carrying out a digital health transformation to improve the quality of health services. This study aimed to develop a screening system for symptoms of anxiety and depression in pregnant women based on an expert system in ANC.
The study consists of three stages. Phase 1 tested the validity and reliability of the Indonesian version of the Edinburgh Postnatal Depression Scale (EPDS) instrument on 125 pregnant women online through the dissemination of Google forms. Phase 2 assessed the screening ability of EPDS instrument compared to MINI-International Neuropsychiatric Interview (MINI) instrument as gold standard in 298 pregnant women. This 2nd phase was carried out in Depok City (Beji, Cipayung, Jati Jajar, and Pancoran Mas public health centre). The MINI assessment was carried out online by two trained enumerators. The 3rd stage was carried out by developing a prototype of an anxiety and depression symptom screening system based on expert system. Statistical analysis at stage 1 employed various types of validity and reliability tests. The 2nd stage was carried out to test sensitivity and specificity. The 3rd stage was evaluated on the accuracy of the expert system and the feasibility of the prototype.
This study produced an Indonesian version of the EPDS instrument that was proven to be valid and reliable for use in the population of pregnant women. This instrument had a sensitivity and specificity of > 90% for screening for symptoms of pregnancy anxiety and depression. The proportion of accuracy in expert systems was > 90%. Pregnant women state that this prototype was easy, short assessment time, and useful to use.
The prototype based on expert system called BMoms, was feasible and able to be carried out for screening symptoms of anxiety and depression in pregnant women in ANC. The BMoms prototype can be further developed into a ready and appropriate application so that it becomes an innovative solution for mental health screening in pregnant women.
D-620
Depok : FKM-UI, 2022
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
☉
Dewi Nata Rina; Promotor: Robiana Modjo; Kopromotor: Sjahrul Meizar Nasri, Jenny Endang Bashiruddin; Penguji: Doni Hikmat Ramdhan, Indri Hapsari Susilowati, Sutanto Priyo Hastono, Dewi Sumaryani Soemarko, Iting Shofwati, Nana Sugiono
Abstrak:
Read More
Gangguan pendengaran akibat bising kerja (Occupational Noise-Induced Hearing Loss/ONIHL) masih menjadi masalah kesehatan kerja utama di industri minyak dan gas. Pemeriksaan audiometri konvensional berbasis Air Conduction (AC) sering kali kurang sensitif dalam mendeteksi kerusakan koklea tahap awal sehingga diperlukan pendekatan diagnostik yang lebih komprehensif. Penelitian ini bertuuan untuk menganalisis faktor individu dan lingkungan kerja yang berhubungan dengan Sensorineural Hearing Loss (SNHL) serta mengembangkan model prediksi risiko SNHL pada pekerja sektor migas. Penelitian ini menggunakan metode observasional analitik dengan desain potong lintang menggunakan data sekunder 497 pekerja yang terpajan bising di sektor migas Kalimantan Timur periode 2021–2022. Penetapan SNHL dilakukan melalui integrasi parameter Air Conduction (AC), Bone Conduction (BC), Air-Bone Gap (AB-Gaps), Standard Threshold Shift (STS), dan pola audiometric notch. Analisis dilakukan menggunakan regresi logistik bivariat dan multivariat dengan metode enter dan stepwise. Sebanyak 99 pekerja (19,9%) teridentifikasi mengalami SNHL, 31 pekerja (6,2%) mengalami Conductive Hearing Loss (CHL), dan 151 pekerja (43,6%) memiliki audiometric notch pada frekuensi 4.000 Hz. Faktor yang berhubungan signifikan dengan SNHL pada model akhir adalah usia ≥41 tahun (AOR=9,09; 95%CI: 2,28–36,21; p=0,002), hipertensi stadium 1 (AOR=1,98; 95%CI: 1,05–3,75; p=0,035), serta masa kerja 5–15 tahun yang bersifat protektif dibandingkan masa kerja >15 tahun (AOR=0,20; 95%CI: 0,09–0,45; p<0,001). Variabel dosis personal kebisingan, frekuensi bising, penggunaan alat pelindung pendengaran, diabetes melitus, hobi bising, dan pajanan benzena tidak menunjukkan hubungan signifikan pada model multivariat. Model prediksi risiko SNHL yang dikembangkan menunjukkan probabilitas risiko tertinggi mencapai 81,5%. Prevalensi SNHL pada pekerja sektor migas mencapai 19,9%. Usia ≥41 tahun dan hipertensi stadium 1 merupakan faktor risiko independen utama, sedangkan masa kerja >15 tahun mencerminkan akumulasi pajanan yang meningkatkan risiko SNHL. Pendekatan audiometri multi-parameter terbukti lebih sensitif dalam mendeteksi kerusakan pendengaran dini dan dapat digunakan sebagai dasar pengembangan program konservasi pendengaran berbasis risiko di lingkungan kerja.
Occupational Noise-Induced Hearing Loss (ONIHL) remains one of the leading occupational health problems in the oil and gas industry. Conventional audiometric examinations based on Air Conduction (AC) are often insufficiently sensitive to detect early cochlear damage, highlighting the need for a more comprehensive diagnostic approach. This study aimed to identify individual and occupational factors associated with Sensorineural Hearing Loss (SNHL) and to develop a predictive risk model for SNHL among oil and gas workers. An analytical observational study with a cross-sectional design was conducted using secondary data from 497 noise-exposed workers in East Kalimantan, Indonesia, collected between 2021 and 2022. SNHL was determined through an integrated assessment of Air Conduction (AC), Bone Conduction (BC), Air-Bone Gap (AB-Gaps), Standard Threshold Shift (STS), and audiometric notch patterns. Data were analyzed using bivariate and multivariate logistic regression with enter and stepwise methods. A total of 99 workers (19.9%) were diagnosed with SNHL, 31 (6.2%) with Conductive Hearing Loss (CHL), and 151 (43.6%) exhibited an audiometric notch at 4,000 Hz. Significant predictors of SNHL included age ≥41 years (AOR = 9.09; 95% CI: 2.28–36.21), stage 1 hypertension (AOR = 1.98; 95% CI: 1.05–3.75), while 5–15 years of employment was protective compared with employment duration >15 years (AOR = 0.20; 95% CI: 0.09–0.45). Personal noise dose, noise frequency, hearing protection use, diabetes mellitus, noisy hobbies, and benzene exposure were not significantly associated with SNHL. The developed prediction model demonstrated a maximum estimated SNHL probability of 81.5%. A multi-parameter audiometric approach was more sensitive for detecting early hearing impairment and may serve as a valuable basis for developing risk-based hearing conservation programs in the oil and gas industry.
D-647
Depok : FKM-UI, 2026
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
☉
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
☉
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
☉
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
☉