Food waste merupakan permasalahan lingkungan yang signifikan di sektor perhotelan akibat tingginya aktivitas produksi dan konsumsi makanan. Pemanfaatan teknologi berbasis Artificial Intelligence (AI) menjadi salah satu upaya untuk mendukung pengelolaan food waste melalui pengukuran yang lebih akurat. Penelitian ini bertujuan untuk menganalisis perbedaan timbulan food waste yang direpresentasikan oleh sampah organik sebelum dan sesudah implementasi teknologi berbasis AI di Hotel X pada periode 2022–2024, serta menggambarkan karakteristik food waste berdasarkan pengukuran teknologi AI pada outlet all-day dining. Penelitian ini menggunakan desain kuantitatif komparatif dengan data sekunder berupa timbulan sampah organik bulanan sebelum (Juli 2022–Juni 2023) dan sesudah (Juli 2023–Juni 2024) implementasi teknologi AI, serta data food waste terukur berbasis AI. Analisis dilakukan secara univariat dan bivariat menggunakan uji Wilcoxon Signed Rank Test. Hasil penelitian menunjukkan bahwa rata-rata timbulan sampah organik sebelum implementasi teknologi AI sebesar 20.081,67 kg/bulan dan setelah implementasi sebesar 20.808,92 kg/bulan, serta tidak terdapat perbedaan yang signifikan secara statistik (p = 0,583). Namun, pengukuran berbasis AI menunjukkan penurunan food waste sebesar 7,7% pada tingkat outlet. Temuan ini menunjukkan bahwa teknologi berbasis AI berperan dalam meningkatkan kualitas pengukuran dan pengelolaan food waste, meskipun belum berdampak signifikan terhadap penurunan timbulan sampah organik secara keseluruhan.

Food waste is a significant environmental problem in the hospitality sector due to high food production and consumption activities. The use of Artificial Intelligence (AI) technology is one of the approaches to provide support for food waste management through more accurate measurement. This study aims to analyze the differences in food waste represented by organic waste before and after the implementation of AI-based technology at Hotel X in the period 2022–2024, as well as to describe the characteristics of food waste based on AI technology measurements at all-day dining outlets. This study uses a comparative quantitative design with secondary data in the form of monthly organic waste generation before (July 2022–June 2023) and after (July 2023–June 2024) the implementation of AI technology, as well as AI-based measured food waste data. The analysis was conducted univariately and bivariately using the Wilcoxon Signed Rank Test. The results showed that the average organic waste generation before the implementation of AI technology was 20,081.67 kg/month and after implementation was 20,808.92 kg/month, with no statistically significant difference (p = 0.583). However, AI-based measurements showed a 7.7% reduction in food waste at the outlet level. These findings indicate that AI-based technology plays a role in improving the quality of food waste measurement and management, although it has not had a significant impact on reducing total organic waste generation.

Angka keberhasilan pengobatan Tuberkulosis Indonesia tahun 2023 belum mencapai target 90%. Keberhasilan pengobatan berdampak terhadap penurunan penyebaran infeksi dan kasus resistensi obat, sehingga perlu untuk memprediksi keberhasilan pengobatan lebih dini. Penelitian ini bertujuan untuk mengembangkan model pendekatan pembelajaran mesin untuk prediksi keberhasilan pengobatan. Penelitian ini menggunakan data kohort Sistem Informasi Tuberkulosis (SITB) Indonesia. Pasien usia produktif (15-64 tahun) terdiagnosis tuberkulosis sensitif obat dan mendapatkan pengobatan dari 1 Januari 2020 sampai 31 Desember 2023 diikutsertakan dalam penelitian ini. Data dikelompokkan secara acak ke dalam set data pelatihan untuk membangun model (80%) dan set data pengujian untuk validasi model (20%), dan dilakukan validasi silang untuk data. Algoritma yang digunakan meliputi decision tree, random forest, multilayer perceptron, extreme gradient boosting, dan logistic regression. Dilakukan konsensus untuk pengambilan keputusan variabel yang diperlukan dalam melakukan pemodelan berbasis pembelajaran mesin dari data SITB untuk memprediksi keberhasilan pengobatan dengan menggunakan metode Delphi. Hasil dari penelitian model algoritma pembelajaran mesin random forest menunjukkan kinerja terbaik dan akurasi tertinggi dalam memprediksi keberhasilan pengobatan. Aplikasi prediksi berbasis pembelajaran mesin dapat memberikan prediksi dini dengan interpretasi berbasis SHAP (SHapley Additive ExPlanations) yang memudahkan tenaga kesehatan dalam mengambil keputusan.

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.