Anemia merupakan masalah kesehatan global, yang bisa terjadi pada siapa saja, terutama di kalangan remaja putri, yang dapat berdampak pada pertumbuhan, perkembangan, produktivitas pada generasi selanjutnya. Prevalensi anemia tahun 2021 secara global pada perempuan usia 15–49 tahun sebesar 33,7%, dan di Indonesia tahun 2023 tercatat 15,5% pada kelompok usia 15–24 tahun. Tujuan dari penelitian, yaitu untuk mengembangkan prediksi risiko anemia menggunakan pendekatan algoritma machine learning dalam konteks program kesehatan remaja putri di Indonesia. Penelitian ini menggunakan data dari Survei Kesehatan Indonesia (SKI) 2023 untuk mengidentifikasi faktor risiko utama anemia, seperti status gizi, pola konsumsi makanan, sosio-ekonomi, penyakit infeksi dan kronis. Hasil penelitian didapatkan model terbaik Random forest dengan AUC 0,768, akurasi 0,707, skor F1 0,706, presisi 0,712, dan recall sebesar 0,707. Prediktor dalam penelitian ini, yaitu pekerjaan, lokasi tempat tinggal, ukuran keluarga, status menstruasi, pola konsumsi sayur dan hasil olahannya, pola konsumsi buah dan hasil olahannya, pola konsumsi daging, unggas, dan hasil olahannya, pola konsumsi ikan, kerang, dan hasil olahannya, pola konsumsi susu dan hasil olahannya, pola konsumsi telur dan hasil olahannya, diare, pneumonia, dan kecacingan. Rancangan sistem didasarkan pada model prediksi terbaik dan ditampilkan dalam bentuk wireframe.

Anemia is a global health problem, which can happen to anyone, especially among adolescent girls, which can have an impact on growth, development, productivity in the next generation. The prevalence of anemia in 2021 globally in women aged 15-49 years is 33.7%, and in Indonesia in 2023 it is 15.5% in the age group 15-24 years. The purpose of the study was to develop anemia risk prediction using a machine learning algorithm approach in the context of adolescent girls' health programs in Indonesia. This study used data from the 2023 Indonesian Health Survey (IHS) to identify the main risk factors for anemia, such as nutritional status, food consumption patterns, socio-economics, infectious and chronic diseases. The results obtained the best Random forest model with AUC 0.768, accuracy 0.707, F1 score 0.706, precision 0.712, and recall of 0.707. The predictors in this study are occupation, location of residence, family size, menstrual status, consumption patterns of vegetables and their processed products, consumption patterns of fruits and their processed products, consumption patterns of meat, poultry, and their processed products, consumption patterns of fish, shellfish, and their processed products, consumption patterns of milk and their processed products, consumption patterns of eggs and their processed products, diarrhea, pneumonia, and helminthiasis. The system design is based on the best prediction model and displayed in wireframe view.

Influenza like illness (ILI) merupakan gejala infeksi penyakit pernapasan akut yang menimbulkan beberapa gejala seperti tubuh panas, batuk selama 10 hari terakhir, influenza like illness memiliki gejala yang hampir sama dengan infeksi pernapasan lainnya. Coronavirus, flu burung dan flu babi merupakan penyakit yang memiliki gejala yang serupa dengan  influenza like illnes dengan dampak kesehatan yang dialami. Penggunaan data sosial media X  di Indonesia mencapai 24 juta serta termasuk 4 terbesar didunia, berdasarkan berberapa penelitian  penggunaan data sosial media X dapat digunakan  sebagai upaya deteksi dini penyakit  seperti influenza like illnes.  Tujuan dalam peneltian ini adalah menggunakan data sosial media X untuk identifikasi influenza like illnes berdasarkan di Jawa Barat. Penelitian menggunakan penelitian eksploratif pengembangan klasifikasi teks yang menggunakan data sosial media X dengan machine learning clustering dan klasifikasi teks. Hasil penelitian menggunakan pendeakatan machine learning clustering didapatkan 2 kelompok dalam dataset yaitu kelompok kasus dan bukan kasus, kemudian hasil penelitian klasifikasi menggunakan algoritma support vector machine, naïve bayes, random forest dan XGBoost. Berdasarkan hasil pendekatan unigram dengan algoritma random forest dengan jumlah pohon 700 merupakan algoritma terbaik dalam klasifikasi teks mencapai akurasi 0.72.

Influenza-like illness (ILI) is a symptom of acute respiratory infection that causes several symptoms such as fever, coughing for the past 10 days, and influenza-like illness has symptoms that are almost the same as other respiratory infections. Coronavirus, avian flu, and swine flu are diseases with symptoms similar to influenza-like illness, each with their own health impacts. The use of social media platform X in Indonesia has reached 24 million users, making it one of the top four largest user bases globally. According to several studies, social media data from X can be utilised as an early detection tool for diseases like influenza-like illness.  The objective of this study is to use social media data from X to identify influenza-like illnesses in West Java. The study employs an exploratory approach to text classification using social media data from X, combined with machine learning clustering and text classification techniques. The results of the machine learning clustering approach identified two groups in the dataset: cases and non-cases. The classification results were obtained using the support vector machine, naïve Bayes, random forest, and XGBoost algorithms. Based on the unigram approach with the random forest algorithm and 700 trees, this algorithm was the best for text classification, achieving an accuracy of 0.72.

Penelitian ini bertujuan mengidentifikasi faktor risiko dan membangun model prediksi diabetes berbasis machine learning menggunakan data SKI 2023. Sampel terdiri dari individu usia ≥15 tahun. Analisis dilakukan melalui eksplorasi bivariat dan evaluasi sembilan algoritma prediktif. Hasil menunjukkan bahwa faktor usia ≥45 tahun, jenis kelamin, pendidikan, obesitas sentral, hipertensi, pola makan berisiko, dan aktivitas fisik berhubungan signifikan dengan diabetes. Algoritma AdaBoost memberikan performa terbaik (AUC 0,991). Penelitian ini menghasilkan mockup web "Diabetes Risk Assessment" yang berpotensi digunakan untuk skrining mandiri dan pencegahan dini di masyarakat.

This study aimed to identify risk factors and develop a diabetes risk prediction model using machine learning algorithms based on the 2023 Indonesian Health Survey (SKI). The sample included individuals aged ≥15 years who met the inclusion criteria. The analysis involved bivariate exploration and evaluation of nine machine learning algorithms. Results indicated that age ≥45 years, sex, education level, central obesity indicators (BMI, waist circumference, WHtR), hypertension, risky dietary patterns, and physical inactivity were significantly associated with diabetes. Among all models, AdaBoost achieved the highest predictive performance (AUC 0.991). The study also produced a web-based mockup system, “Diabetes Risk Assessment,” offering potential for self-screening and community-level early prevention strategies.

Latar belakang: Obesitas sentral adalah penumpukan lemak di daerah abdomen yang dapat meningkatkan berbagai risiko penyakit tidak menular lainnya. Prevalensi obesitas sentral di Indonesia juga meningkat setiap tahunnya. Tujuan: Penelitian ini bertujuan untuk melihat hubungan antara faktor sosiodemografi, faktor perilaku, faktor gangguan mental emosional, dan faktor riwayat penyakit dengan kejadian obesitas sentral pada usia dewasa di Indonesia pada tahun 2023. Metode: Penelitian ini merupakan penelitian kuantitatif menggunakan data sekunder SKI 2023. Penelitian ini menggunakan desain cross-sectional dan analisis regresi logistik berganda. Besar sampel yang didapatkan sebesar 455.036 dengan rincian sampel perempuan sebesar 253.055 dan sampel laki-laki sebesar 202.251. Hasil: Hasil penelitian menunjukan bahwa prevalensi obesitas sentral pada perempuan mencapai (65,4%), sementara pada laki-laki mencapai (25,1%). Penelitian ini menunjukan bahwa riwayat penyakit berhubungan signifikan dan menjadi faktor dominan terhadap kejadian obesitas sentral pada seluruh populasi (AOR Perempuan: 1,96; AOR Laki-laki: 2,37). Kesimpulan: Tingginya angka obesitas sentral pada penduduk usia dewasa mengindikasikan perlunya upaya pencegahan yang serius, terutama dalam meningkatkan kesadaran masyarakat untuk mengatur pola hidup sehat yang lebih baik. Upaya ini dapat dilakukan melalui promosi kesehatan dan kolaborasi antar pihak.

Background: Central obesity is the accumulation of fat in the abdominal region that can increase the risk of various other non-communicable diseases. The prevalence of central obesity in Indonesia is also increasing every year. Objective: This study aims to see the relationship between sociodemographic factors, behavioral factors, mental emotional disorder factors, and disease history factors with the incidence of central obesity in adults in Indonesia in 2023. Methods: This study is a quantitative study using secondary data from SKI 2023. This study used a cross-sectional design and multiple logistic regression analysis. The sample size obtained was 455,036 with details of the female sample of 253,055 and the male sample of 202,251. Results: The results showed that the prevalence of central obesity in women reached (65.4%), while in men it reached (25.1%). This study showed that a history of disease was significantly associated and was the dominant factor in the incidence of central obesity in the entire population. (Female AOR: 1.96; Male AOR: 2.37). Conclusion: The high rate of central obesity in the adult population indicates the need for serious prevention efforts, especially in increasing public awareness to organize a better healthy lifestyle. This effort can be done through health promotion and collaboration between parties.

Latar belakang: Transformasi digital di sektor kesehatan menjadi semakin signifikan sejak pandemi COVID-19, mendorong percepatan implementasi teknologi informasi, termasuk Rekam Medis Elektronik (RME). Di Indonesia, Kementerian Kesehatan telah mewajibkan seluruh fasilitas pelayanan kesehatan, termasuk Rumah Sakit Swasta Tipe C, untuk menerapkan RME. Namun, keberhasilan implementasi RME tidak hanya bergantung pada keberadaan sistem, tetapi juga pada tingkat kematangan digital rumah sakit. Tujuan penelitian: Penelitian ini bertujuan untuk menganalisis pengaruh tingkat kematangan digital terhadap implementasi RME di Rumah Sakit Swasta Tipe C. Metodologi penelitian: Penelitian dilakukan dengan pendekatan kuantitatif menggunakan metode survei cross-sectional terhadap 202 tenaga kesehatan di RS Swasta Tipe C. Instrumen penelitian mengacu pada Digital Maturity Index (DMI) Kementerian Kesehatan dengan tujuh dimensi utama, serta lima dimensi implementasi RME yang diadaptasi dari model Technology Acceptance Model (TAM). Data dianalisis menggunakan PLS-SEM untuk menguji validitas, reliabilitas, dan hubungan antar variabel. Hasil penelitian: Hasil penelitian menunjukkan bahwa tingkat kematangan digital berpengaruh signifikan terhadap keberhasilan implementasi RME, dengan dimensi "Pemanfaatan Data" dan "Ketersediaan Fitur RME dalam pelayanan kesehatan" menjadi faktor dominan. Penelitian ini memberikan kontribusi praktis dalam menyusun strategi penguatan digitalisasi rumah sakit dan menjadi masukan bagi pengambil kebijakan dalam mendukung transformasi digital yang efektif dan berkelanjutan.

---

Background: Digital transformation in the healthcare sector has become increasingly significant since the COVID-19 pandemic, driving the accelerated implementation of information technology, including Electronic Medical Records (RME). In Indonesia, the Ministry of Health has required all healthcare facilities, including Type C Private Hospitals, to implement RME. However, the successful implementation of RME depends not only on the existence of the system, but also on the hospital's level of digital maturity. Research Objective: This study aims to analyse the effect of digital maturity level on RME implementation in Type C Private Hospitals. Research Methodology: The research was conducted with a quantitative approach using a cross-sectional survey method of 202 health workers in Type C private hospitals. The research instrument refers to the Ministry of Health's Digital Maturity Index (DMI) with seven main dimensions, as well as five dimensions of RME implementation adapted from the Technology Acceptance Model (TAM). Data were analysed using PLS-SEM to test the validity, reliability, and relationship between variables. Research Results: The results showed that the level of digital maturity significantly influenced the success of RME implementation, with the dimensions of ‘Data Utilisation’ and ‘Availability of RME Features in health services’ being the dominant factors. This research provides a practical contribution in developing strategies to strengthen hospital digitalisation and provides input for policy makers in supporting effective and sustainable digital transformation