Hipertensi merupakan salah satu penyebab utama kematian di Indonesia dan berkontribusi besar terhadap beban penyakit tidak menular. Identifikasi faktor-faktor risiko hipertensi secara menyeluruh sangat penting untuk mendukung intervensi kesehatan yang lebih terarah. Penelitian ini bertujuan untuk menganalisis faktor-faktor risiko kejadian hipertensi pada penduduk usia ≥18 tahun di Indonesia dengan pendekatan probabilistik menggunakan Bayesian Network. Penelitian ini merupakan studi kuantitatif menggunakan data sekunder Indonesia Family Life Survey (IFLS) Gelombang ke 5. Sampel terdiri dari 34.271 individu yang telah melewati tahap pembersihan data dan klasifikasi variabel. Struktur Bayesian Network disusun secara manual berdasarkan analisis bivariat dan referensi teoritis, kemudian divisualisasikan menggunakan perangkat lunak R (bnlearn) dan Python (CausalNex). Analisis probabilitas bersyarat dilakukan melalui perhitungan Conditional Probability Table (CPT) untuk mengidentifikasi jalur risiko langsung maupun tidak langsung. Hasil penelitian menunjukkan bahwa variabel merokok dan imt_kat (kategori Indeks Massa Tubuh tidak normal) merupakan dua faktor risiko utama yang secara langsung meningkatkan probabilitas kejadian hipertensi. Probabilitas hipertensi tertinggi ditemukan pada kombinasi individu yang merokok dan memiliki IMT tidak normal, yaitu sebesar 25,87%. Selain itu, jalur tidak langsung juga teridentifikasi, seperti pendapatan → pendidikan → stres → merokok → hipertensi, serta usia, aktivitas fisik, dan pola makan → IMT → hipertensi. Variabel perilaku dan sosial ekonomi terbukti saling terhubung dalam memengaruhi risiko hipertensi secara kumulatif. Kesimpulan dari penelitian ini menunjukkan bahwa pendekatan Bayesian Network mampu mengungkap hubungan probabilistik antar variabel risiko secara komprehensif. Temuan ini menggarisbawahi pentingnya intervensi kesehatan masyarakat yang bersifat holistik, dengan mempertimbangkan determinan sosial, perilaku, dan fisik sebagai satu kesatuan sistem risiko.

---

Hypertension is one of the leading causes of death in Indonesia and contributes significantly to the burden of non-communicable diseases. This study aims to analyze the risk factors associated with hypertension among individuals aged ≥18 years in Indonesia using a probabilistic approach through Bayesian Network modeling. This research is a quantitative study utilizing secondary data from the fifth wave of the Indonesia Family Life Survey (IFLS-5). The sample consisted of 34,271 individuals who met the inclusion criteria after data cleaning and variable classification. The Bayesian Network structure was constructed manually based on bivariate analysis and theoretical references, then visualized using R (bnlearn) and Python (CausalNex). Conditional Probability Tables (CPTs) were generated to identify both direct and indirect risk pathways. The results indicate that smoking and abnormal BMI (imt_kat) are two primary risk factors that directly increase the probability of hypertension. The highest probability of hypertension (25.87%) was found among individuals who both smoke and have an abnormal BMI. Additionally, indirect pathways were also identified, such as income → education → stress → smoking → hypertension, as well as age, physical activity, and dietary patterns → BMI → hypertension. Behavioral and socioeconomic variables were shown to be interconnected in influencing hypertension risk cumulatively. In conclusion, this study demonstrates that the Bayesian Network approach is effective in revealing the probabilistic relationships among various risk factors. These findings highlight the importance of holistic public health interventions that consider social, behavioral, and physiological determinants as an integrated risk system.

"Latar belakang: Hipertensi, DM, dan stres psikologis masih menjadi masalah kesehatan yang belum sepenuhnya dapat dikendalikan. Tujuan: menilai kejadian hipertensi dan besaran risiko akibat efek gabungan antara DM dan stres psikologis pada orang dewasa. Metode: Analisis menggunakan data sekunder Studi Kohor Faktor Risiko Penyakit Tidak Menular (FRPTM). Disain studi yaitu studi kohor retrospektif. Populasi: Data penduduk berusia 25 tahun ke atas (saat baseline) yang menjadi responden Studi Kohor FRPTM di Kota Bogor, Jawa Barat. Inklusi: Data yang lengkap pada wawancara/pengukuran/ pemeriksaan. Eksklusi: Data subyek yang hipertensi saat baseline. Sampel: Data penduduk berusia 25 tahun ke atas (saat baseline) yang menjadi responden Studi Kohor FRPTM di Kota Bogor, Jawa Barat. Sebanyak 3165 data subyek dianalisis dengan regresi Cox. Hasil: Hipertensi yang ditemukan sebanyak 207 orang (6,6%). Relative risk (RR) untuk terjadinya hipertensi akibat adanya efek gabungan antara DM dan stres psikologis sebesar 2,20 dengan 95% CI (1,030?4,711) setelah dikontrol oleh jenis kelamin dan obesitas. Interaksi yang didapatkan bersifat sinergis (positif). Kejadian hipertensi yang disebabkan karena interaksi sebesar 30%. Kesimpulan: Kelompok subyek dengan DM dan stres psikologis berisiko untuk terjadinya hipertensi sebesar 2,20 kali lebih tinggi dibandingkan kelompok subyek tanpa DM dan tanpa stres psikologis dengan hubungan yang bermakna secara statistik.

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.

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.