Abstrak: Pendahuluan: Dampak kesehatan akibat pajanan pelarut organik cukup serius baik yang bersifat akut maupun kronis. Pengendalian lingkungan kelja dan pemantauan kesehatan pekerja harus dilakukan sedini mungkin. Penggantian bahan pelarut organik dengan bahan lain yang lebih aman adalah pilihan terbaik untuk mengurangi dampak pada kesehatan pekelja. Namun pcnggantian bahan pelarut dengan bahan lain dapat berdampak pada proses produksi maupun mutu produksi. Oleh karena itu analisis dampak kesehatan pekelja sedini munglcin menjadi bagian yang sangat penting, sehingga ganggllan kesehatan pekcrja dapat diketahui secara dini untuk dilakukan penanganan. Metode: Menggunakan metode penelitian potong lintang (Cross-Sectional study). Variabcl bebas adalah kadar MBK di udara tempat kexja dan kadar MEK di dalam air seni. Variabel terikat berupa gangguan kesehatan {penyakit lculit, saluran napas, iritasi mata dan gejala dini gangguan sistem sarat), Data penelitian adalah data primer dan sekunder dari hasil pengukuxan, pemeriksaan dan catatan medis. Hasil: Kadar MEK di tempat kexja textinggi adalah 249 ppm, sedangkan pajanan terendah adalah 103 ppm. 30,2% responden ditemukan terpajan di alas NAB. Kadar IPB di dalam air scni tcrtinggi adalah 5,21 mg/1, sedangkan hasil terendah adalah 0,01 mg/l. Sebanyak 27,9% responden di atas IPB. Prevalensi gangguan kesehatan peke1ja akibat pajanan pelarut organik MEK adalah: penyakit kuiit (34,9%); penyakit saluran napas (55,8%); iritasi mata (4,7%); dan gejala dini gangguan sistem saraf (44,2%). Prevalensi gangguan kesehatan lebih banyak ditemukan pada pekerja yang terpajan MEK di atas NAB dibandingkan dengan di bawah atau sama dengan NAB. Kesimpulanz Hasil analisis muitivaliat membuktjkan adanya hubungan yang bermakna antara kadar MEK di udara tcmpat kcrja, kadar MEK di dalam air seni, status gizi dan lama kerja dengan gejala dini gangguan sistem sarai

Abstrak: Latar Belakang: Kelahiran preterm merupakan penyebab tertinggi kematian neonatal. Indonesia menduduki posisi tertinggi di ASEAN dan kelima di dunia untuk kelahiran preterm. Rumusan masalah: Belum adanya model prediksi kelahiran preterm yang memperlihatkan prediktor yang berguna untuk mengembangkan program pencegahan. Tujuan: Menemukan model prediksi kelahiran preterm berbasis machine learning untuk deteksi dini kelahiran preterm di Fasilitas Kesehatan Tingkat Pertama (FKTP). Metode: Penelitian ini menggunakan desain studi case control dengan menggunakan data rekam medis Rumah Sakit (RS) di Palembang yaitu RS YK Madira, RSMH, RS Bunda, RS Ar Rasyid, RS Muhammadiyah, dan RS Bhayangkara tahun 2019 dengan jumlah sampel 1758 responden yang terdiri dari 879 preterm dan 879 aterm. Faktor risiko yang digunakan pada penelitian ini didapatkan dari Systematic Literature Review yang terdiri dari faktor sosiodemografi (10 variabel), faktor perilaku/gaya hidup (5 variabel), faktor maternal/kondisi ibu sebelum kehamilan (8 variabel), faktor kehamilan/obstetri ginekologi (21 variabel), faktor biologis (3 variabel), faktor pelayanan kesehatan (2 variabel) dan Faktor Kondisi Janin (4 variabel). Pemodelan dilakukan dengan menggunakan machine learning dengan menggunakan algoritme decision tree, K-Nearest Neighbour (KNN), naïve bayes, logistic regression, Support Vector Machine (SVM) dan neural network (CNN1D, multilayer perceptron dan backpropagation). Hasil: Ditemukan 21 variabel penelitian dari 53 variabel yang dibutuhkan, dan menemukan 6 variabel yang menjadi prediktor utama kelahiran preterm di antaranya pre-eklamsia, perdarahan dalam kehamilan, riwayat ketuban pecah dini, jarak antar dua kehamilan, paritas, dan anemia. Pada penelitian ini ditemukan algoritma terbaik yaitu decision tree dengan nilai akurasi 95% untuk training dan 96% untuk testing dan telah dibuat prototype berupa aplikasi berbasis web untuk deteksi dini di FKTP. Kesimpulan: Ditemukan research novelty yaitu diperoleh model prediksi kelahiran preterm, dimana model ini potensial untuk digunakan di FKTP sebagai upaya deteksi dini. Model prediksi ini akan mendeteksi ibu hamil akan berisiko preterm atau tidak berisiko. Apabila diketahui ibu berisiko kelahiran preterm, maka ibu dianjurkan untuk melakukan pemeriksaan di RS, agar tidak terjadi keterlambatan penanganan yang menyebabkan kematian ibu maupun bayi. Dibandingkan tidak ada model prediksi, maka risiko kelahiran preterm tidak dapat dicegah, sehingga keterlambatan penanganan akan terjadi.

Abstrak:

Cakupan imunisasi dasar lengkap (IDL) pada bayi di Indonesia masih rendah bahkan cenderung menurun di bawah target rencana strategis(renstra)Renstra sebesar 93% dan target cakupan Universal Child Immunization (UCI) secara nasional >80%. Indonesia sebagai salah satu negara dengan cakupan salah satu vaksin IDL terendah, yaitu vaksin DPT3. Banyak faktor yang melatarbelakangi terjadinya cakupan IDL rendah, banyak faktor yang melatarbelakangi terjadinya cakupan IDL rendah. Faktor psikologiss menjadi salah satu penyebab penting yang jarang diintervensi. Dalam faktor psikologis yang terdiri dari beberapa faktor potensial, salah satunya penolakan vaksin yang turut menyumbang rendahnya cakupan IDL kepada peningkatan angka kematian bayi dan anak tinggi dan juga angka Penyakit yang Dapat Dicegah dengan Imunisasi (PD3I). Tantangan rendahnya cakupan imunisasi dasar disebabkan penolakan vaksin yang didorong oleh tingginya persebaran opini negatif berupa penolakan vaksin. Media sosial menjadi sumber data dengan pengguna berjumlah sangat masif. Tujuan dari penelitian ini adalah membangun model untuk deteksi dini melalui social media analytics dengan pendekatan machine learning yaitu metode analisis sentimen untuk menemukan pemberitaan negatif berupa penolakan vaksin dan social network analyisis untuk mengidentifikasi penyebarannya yang dilakukan opinion leader. Berdasarkan hal tersebut maka penelitian ini dilakukan pengujian dengan menggunakan metode dan teknik machine learning untuk menghasilkan nilai performance berupa akurasi, presisi, recall dan F- measure dengan akurasi terbaik diatas 70% dan mengukur nilai centrality untuk melihat kedekatan dan interaksi, serta menghasilkan nilai situational awareness. Model ini diharapkan dapat membantu berwenang atau berkepentingan untuk melakukan pencegahan atau tata laksana. Kata kunci: Cakupan IDL, penolakan vaksin, social media analytics, analisis sentimen, socialnetwork analysis, machine learning, situational awareness.