Skema Kerja sama Pemerintah dan Badan Usaha (KPBU) merupakan strategi inovatif dalam penyediaan infrastruktur rumah sakit di Indonesia yang bertujuan mengatasi keterbatasan anggaran pemerintah, mempercepat pembangunan, serta meningkatkan efisiensi dan kualitas layanan kesehatan. Namun, implementasi skema KPBU di sektor rumah sakit masih menghadapi berbagai tantangan, seperti keterbatasan kapasitas institusi, pembagian risiko, dan minat investasi dari pihak swasta. Penelitian ini bertujuan untuk menganalisis proses perhitungan proyeksi kunjungan pasien yang dilakukan oleh PT. XYZ selaku pihak yang memfasilitasi penyusunan studi kelayakan melalui Project Development Facility (PDF). Penelitian dilakukan dengan studi kualitatif untuk melihat bagaimana proses perhitungan proyeksi kunjungan pasien dilakukan dalam proyek KPBU pengembangan Rumah Sakit Umum Daerah (RSUD) I. A. Moeis untuk memastikan kelayakan studi pendahuluan dalam mencapai keberhasilan pelaksanaan KPBU di bidang kesehatan. Hasil penelitian ini memberikan gambaran umum mengenai pelaksanaan perhitungan proyeksi kunjungan pasien dalam proyek KPBU RSUD I. A. Moeis. Dari segi metodologi, terjadi inovasi yang menghasilkan data proyeksi yang lebih solid dan terstruktur. Namun, pada aspek sumber daya manusia, masih ditemukan berbagai kekurangan, terutama dalam hal koordinasi dan komunikasi antar tim. Dari sisi ketersediaan data, kondisi saat ini dinilai sudah cukup memadai untuk mendukung analisis. Sementara itu, dari aspek waktu, terdapat kemunduran dalam lini waktu proyek hingga 14 bulan, yang disebabkan oleh berbagai hal termasuk perubahan pendekatan metodologi proyeksi, kurangnya familiaritas tim terhadap metode baru, dan lemahnya koordinasi lintas pihak. Temuan ini menegaskan bahwa akurasi perhitungan proyeksi kunjungan pasien menjadi faktor krusial dalam menentukan daya tarik dan kelayakan proyek KPBU rumah sakit. Penelitian ini memberikan kontribusi penting dalam pengembangan metode perencanaan kapasitas layanan kesehatan dan menjadi rujukan bagi proyek KPBU serupa di masa mendatang

---

The Public-Private Partnership (PPP) scheme is an innovative strategy for hospital infrastructure provision in Indonesia aimed at addressing the limitations of government budgets, accelerating development, and improving efficiency and quality of healthcare services. However, the implementation of the PPP scheme in the hospital sector still faces various challenges, such as limited institutional capacity, risk sharing, and private sector investment interest. This study aims to analyze the process of calculating patient visit projections carried out by PT. XYZ, which facilitates the preparation of feasibility studies through the Project Development Facility (PDF). The research was conducted using a qualitative study to understand how the patient visit projection calculation process is performed in the PPP project for the development of RSUD I.A. Moeis, to ensure the feasibility of the preliminary study in achieving the success of the PPP implementation in the healthcare sector.  The results of this study provide an overview of the patient visit projection calculation process in the RSUD I.A. Moeis PPP project. In terms of methodology, innovations were made that resulted in more solid and structured projection data. However, in terms of human resources, several shortcomings were identified, particularly regarding coordination and communication among the team. In terms of data availability, the current condition is deemed sufficient to support the analysis. Meanwhile, in terms of time, there was a delay in the project timeline by up to 14 months, caused by various factors, including changes in the projection methodology approach, the team’s unfamiliarity with the new method, and weak inter-agency coordination. These findings emphasize that the accuracy of the patient visit projection calculation is a crucial factor in determining the attractiveness and feasibility of the hospital PPP project. This study provides a significant contribution to the development of healthcare service capacity planning methods and serves as a reference for similar PPP projects in the future.

---

Pengukuran kinerja tingkat unit organisasi perlu diperhatikan karena alasan kualitas, efisiensi operasional ataupun keberlanjutan stabilitas pertumbuhan ekonomi. Dimensi “Produktivitas” merupakan salah satu pendekatan pengukuran kinerja yang membandingkan antara output (luaran layanan) terhadap input (sumber daya). Penelitian ini dilakukan untuk mengukur kinerja melalui dimensi “Produktivitas” pada Unit Fisioterapi RSU Hermina Bekasi, dengan tujuan menilai “apakah kapasitas sumber daya telah menghasilkan capaian luaran layanan yang optimal” atau “apakah target luaran layanan telah seimbang dengan kapasitas yang tersedia”. Penelitian ini merupakan analitik observasional cross-sectional dengan pendekatan kuantitatif terhadap data retrospektif periode November 2023 hingga April 2026. Variabel analisis berupa 4 Variabel Input (indikator kapasitas sumber daya unit fisioterapi) dan 6 Variabel Output (indikator luaran layanan unit fisioterapi). Analisis data sesuai pemodelan ekonometrika deret-waktu multivariat khususnya Vector Error Correction Model (VECM). Hasil penelitian menyatakan total kunjungan fisioterapi relatif paling tinggi dan stabil pada hari Senin – Kamis, sedangkan pelayanan hari Minggu/ Libur Nasional belum optimal. Jumlah kunjungan merupakan demand pipeline layanan fisioterapi yang perlu dikonversi menjadi jumlah tindakan aktual sebagai throughput dan konversi pada jumlah pendapatan unit sebagai nilai ekonomi layanan. Kapasitas tenaga klinis berperan sebagai determinan dominan jumlah kunjungan dan jumlah jam praktik dokter rehabilitasi medik bergerak sebagai korektor ketika terjadi dieskuilibrium capaian jumlah tindakan fisioterapi. Produktivitas tenaga fisioterapis telah mencapai optimal ±81,1% dari total FTE klinis. Service-mix indeks sebagai determinan kompleks, sebagai penyeimbang luaran layanan sekaligus mampu menurunkan throughput layanan jika tidak diimbangi kenaikannya terhadap kapasitas sumber daya unit. Private payer-mix saat ini berperan sebagai determinan high-value low-volume. Nilai proyeksi luaran layanan tidak menunjukkan adanya pertumbuhan. Produktivitas unit fisioterapi merupakan konsep multidimensional yang tidak hanya dinilai dari jumlah luaran layanan, melainkan interaksi dinamis dengan kapasitas sumber dayanya. Penentuan target luaran layanan perlu menyeimbangkan kapasitas sumber daya yang tersedia.

Performance measurement at the organizational-unit level requires particular attention due to its relevance to service quality, operational efficiency, and the sustainability of economic growth. “Productivity” is one approach to performance measurement that compares output (service outputs) to input (resources capacity). This study was conducted to evaluate performance through the productivity dimension in the Physiotherapy Unit of Hermina Bekasi General Hospital. Specifically, it aimed to assess whether the available resource capacity has generated optimal service-output achievement and whether service-output targets are balanced with the existing capacity. This study employed a cross-sectional observational analytic design with a quantitative approach using retrospective data from November 2023 to April 2026. The analysis included four input variables, representing resource-capacity indicators of the physiotherapy unit, and six output variables, representing service-output indicators. Data were analyzed using multivariate time-series econometric modeling, specifically the Vector Error Correction Model (VECM). The findings showed that total physiotherapy visits were relatively highest and most stable from Monday to Thursday, whereas services on Sundays and national holidays remained suboptimal. The number of visits represents the demand pipeline of physiotherapy services, which must be converted into actual treatment volume as service throughput and subsequently into unit revenue as the economic value of service delivery. Clinical workforce capacity emerged as the dominant determinant of visit volume, while rehabilitation physician practice hours acted as a corrective factor when disequilibrium occurred in the achievement of physiotherapy treatment volume. Physiotherapist productivity had reached an optimal level of approximately 81.1% of total clinical FTE. The service-mix index functioned as a complex determinant, serving as a balancing factor for service outputs while potentially reducing service throughput when its increase was not accompanied by adequate resource-capacity adjustments. The current private-payer mix functioned as a high-value, low-volume determinant. Projection results indicated no evidence of growth in service outputs. Overall, physiotherapy unit productivity is a multidimensional concept that should not be assessed solely by the volume of service outputs, but rather through its dynamic interaction with resource capacity. Therefore, the determination of service-output targets must be aligned with the available resource capacity.

Demam Berdarah Dengue (DBD) masih menjadi masalah kesehatan masyarakat di Kota Bogor dengan jumlah kasus yang berfluktuasi setiap tahun. Faktor iklim seperti suhu, kelembapan, curah hujan, serta Angka Bebas Jentik (ABJ) diduga berperan dalam memengaruhi kejadian DBD. Penelitian ini bertujuan menganalisis hubungan faktor iklim dan ABJ dengan kejadian DBD serta memproyeksikan jumlah kasus DBD di Kota Bogor. Penelitian menggunakan desain studi ekologi dengan unit analisis bulanan menggunakan data Januari 2022–Desember 2025. Data sekunder agregat jumlah kasus DBD dan ABJ Kota Bogor didapatkan dari Dinas Kesehatan Kota Bogor, sementara data faktor iklim (suhu, kelembapan, curah hujan) didapatkan dari Stasiun Klimatologi Jawa Barat BMKG. Analisis bivariat dilakukan menggunakan korelasi Rank Spearman dengan lag 0–3 bulan sementara analisis multivariat menggunakan metode Autoregressive Integrated Moving Average (ARIMA) dan regresi linear ganda. Hasil penelitian menunjukkan bahwa ABJ memiliki hubungan negatif yang signifikan dengan kejadian DBD (p=0,001; r=-0,532), sedangkan suhu, kelembapan, dan curah hujan menunjukkan hubungan signifikan pada periode dan lag tertentu. Hasil regresi linear ganda menunjukkan bahwa ABJ, suhu lag 3 bulan, dan curah hujan lag 3 bulan merupakan prediktor kejadian DBD dengan nilai R² sebesar 43,3%. Model yang diperoleh adalah Y = 3173,588 − 49,582 (ABJ) + 60,887 (Suhu lag 3) + 0,156 (Curah Hujan lag 3) + e. Hasil proyeksi ARIMA menunjukkan bahwa kejadian DBD tahun 2026–2029 diperkirakan tetap mengalami fluktuasi dengan pola musiman yang berulang dan nilai MAPE sebesar 29%, yang menunjukkan kemampuan prediksi model cukup baik. Hasil penelitian ini dapat menjadi dasar dalam pengembangan sistem kewaspadaan dini dan perencanaan program pengendalian DBD berbasis faktor iklim dan pengendalian vektor.

Dengue Hemorrhagic Fever (DHF) remains a significant public health problem in Bogor City, with the number of cases fluctuating annually. Climate factors including temperature, humidity, and rainfall, as well as the Larvae-Free Index (LFI) are suspected to influence the occurrence of DHF. This study aimed to analyze the relationship between climate factors and the LFI with DHF incidence and to project the number of DHF cases in Bogor City. An ecological study design was employed using monthly data from January 2022 to December 2025. Secondary aggregated data on DHF cases and the LFI were obtained from the Bogor City Health Office, while climate data (temperature, humidity, and rainfall) were obtained from the West Java Climatology Station of the Indonesian Meteorological, Climatological, and Geophysical Agency (BMKG). Bivariate analysis was conducted using Spearman’s rank correlation with lags of 0–3 months, while multivariate analysis was performed using the Autoregressive Integrated Moving Average (ARIMA) method and multiple linear regression. The results showed that the LFI was significantly and negatively associated with DHF incidence (p=0.001; r=-0.532), whereas temperature, humidity, and rainfall demonstrated significant associations at specific periods and lag times. Multiple linear regression analysis identified the LFI, temperature at a 3-month lag, and rainfall at a 3-month lag as predictors of DHF incidence, with an R² value of 43.3%. The resulting model was: Y = 3173.588 − 49.582(LFI) + 60.887(Temperature lag 3) + 0.156(Rainfall lag 3) + e. ARIMA projections indicated that DHF incidence during 2026–2029 is expected to continue fluctuating with a recurring seasonal pattern. The model yielded a Mean Absolute Percentage Error (MAPE) of 29%, indicating an acceptable forecasting performance. These findings may serve as a basis for developing climate-based early warning systems and supporting the planning of DHF prevention and vector control programs.

Angka Kematian Bayi (AKB) di Indonesia masih menjadi tantangan kesehatan masyarakat yang besar, dengan disparitas yang signifikan antara provinsi. Berdasarkan data Survei Demografi dan Kesehatan Indonesia (SDKI), AKB nasional mencapai 24 per 1.000 kelahiran hidup pada tahun 2017, namun beberapa provinsi di kawasan timur Indonesia mencatat angka yang jauh lebih tinggi. Keterlambatan dalam deteksi risiko, perencanaan intervensi yang seragam tanpa mempertimbangkan heterogenitas wilayah, dan keterbatasan pendekatan analitik konvensional menjadi hambatan utama dalam penurunan AKB secara bermakna. Penelitian ini bertujuan mengembangkan model machine learning untuk memprediksi dan memproyeksikan kesintasan hidup bayi berdasarkan klasterisasi provinsi di Indonesia, menggunakan data SDKI 2017 (n=13.553 bayi dari 34 provinsi). Desain penelitian bersifat observasional analitik yang dilaksanakan dalam lima fase terpadu: (1) systematic literatur review kesintasan hidup bayi; (2) analisis survival dan identifikasi determinan menggunakan Kaplan-Meier dan regresi Cox multivariat; (3) klasterisasi provinsi menggunakan algoritme K-Modes berdasarkan profil variabel kategorik; (4) pengembangan dan evaluasi lima model machine learning (Logistic Regression, Random Forest, AdaBoost, Gradient Boosting, XGBoost, dan LightGBM) dengan penyeimbangan kelas menggunakan ADASYN; dan (5) proyeksi kesintasan berdasarkan skenario perbaikan determinan utama per klaster. Probabilitas kesintasan hidup kumulatif bayi nasional pada 12 bulan adalah S(t) = 98,56% dengan 189 kematian dari 13.553 bayi yang diamati. Analisis multivariat mengidentifikasi enam determinan independen, dengan berat bayi lahir sebagai prediktor terkuat (aHR bayi tidak ditimbang: 2,6; 95% CI: 2,0–3,4). Klasterisasi K-Modes menghasilkan dua klaster yang berbeda secara signifikan: Klaster 1 mencakup 24 provinsi (survival 12 bulan: 98,77%) dan Klaster 2 mencakup 10 provinsi yaitu NTT, Kalimantan Tengah, Sulawesi Tengah, Sulawesi Tenggara, Gorontalo, Sulawesi Barat, Maluku, Maluku Utara, Papua Barat, dan Papua dengan probabilitas kesintasan 98,00%. Model LightGBM Classifier terbukti sebagai algoritme terbaik pada kedua klaster: ROC-AUC 0,939 dengan F1-score 0,890 pada Klaster 1, dan ROC-AUC 0,940 dengan F1-score 0,910 pada Klaster 2. Tingginya nilai recall pada Klaster 2 (0,940 vs 0,877) menunjukkan kemampuan model dalam meminimalkan false negative kematian bayi di kawasan yang paling rentan. Proyeksi simultan seluruh skenario intervensi memperkirakan peningkatan survival Klaster 1 dari 98,77% menjadi 99,5–99,7%, dan Klaster 2 dari 98,00% menjadi 99,3–99,5%, sehingga disparitas antara kedua klaster dapat dipersempit dari 0,77 menjadi kurang dari 0,2 poin persentase.

The Infant Mortality Rate (IMR) in Indonesia remains a major public health chal-lenge, with significant disparities between provinces. According to the Indonesian Demographic and Health Survey (IDHS), the national IMR reached 24 per 1,000 live births in 2017, but several provinces in eastern Indonesia recorded much higher rates. Delays in risk detection, uniform intervention planning without considering regional heterogeneity, and limitations of conventional analytical approaches are ma-jor obstacles to meaningful IMR reduction. This study aims to develop a machine learning model to predict and project infant survival based on provincial clustering in Indonesia, using 2017 IDHS data (n=13,553 infants from 34 provinces). The study design was observational and analytical, implemented in five integrated phas-es: (1) a systematic literature review on infant survival; (2) survival analysis and identification of determinants using Kaplan-Meier and multivariate Cox regression; (3) provincial clustering using the K-Modes algorithm based on categorical variable profiles; (4) development and evaluation of five machine learning models (Logistic Regression, Random Forest, AdaBoost, Gradient Boosting, XGBoost, and LightGBM) with class balancing using ADASYN; and (5) survival projections based on scenarios for improving the main determinants per cluster. The national cumulative infant survival probability at 12 months was S(t) = 98.56% with 189 deaths out of 13,553 observed infants. Multivariate analysis identified six independ-ent determinants, with birth weight as the strongest predictor (aHR unweighted in-fants: 2.6; 95% CI: 2.0–3.4). K-Modes clustering resulted in two significantly dif-ferent clusters: Cluster 1 encompassing 24 provinces (12-month survival: 98.77%) and Cluster 2 encompassing 10 provinces, namely NTT, Central Kalimantan, Cen-tral Sulawesi, Southeast Sulawesi, Gorontalo, West Sulawesi, Maluku, North Ma-luku, West Papua, and Papua with a survival probability of 98.00%. The LightGBM Classifier model proved to be the best algorithm in both clusters: ROC-AUC 0.939 with F1-score 0.890 in Cluster 1, and ROC-AUC 0.940 with F1-score 0.910 in Cluster 2. The high recall value in Cluster 2 (0.940 vs 0.877) indicates the model's ability to minimize false negative infant mortality in the most vulnerable are-as. Simultaneous projection of all intervention scenarios estimates an increase in survival for Cluster 1 from 98.77% to 99.5–99.7%, and for Cluster 2 from 98.00% to 99.3–99.5%, so that the disparity between the two clusters can be narrowed from 0.77 to less than 0.2 percentage points.