Edukasi Teknologi Machine Learning dalam Mendukung Deteksi Risiko Sindrom Metabolik di RSUD Siti Fatimah

Penulis

  • Egga Asoka Politeknik Negeri Sriwijaya
  • Fathoni Fathoni Universitas Sriwijaya
  • Hadipurnawan Satria Universitas Sriwijaya
  • Sony Oktapriandi Politeknik Negeri Sriwijaya

DOI:

https://doi.org/10.58812/jpws.v4i12.2994

Kata Kunci:

Machine Learning, Sindrom Metabolik, Deteksi Dini, Literasi Digital Kesehatan, Edukasi Teknologi, Analisis Risiko Klinis

Abstrak

Sindrom metabolik menjadi salah satu isu kesehatan yang terus meningkat dan membutuhkan kesiapsiagaan tenaga kesehatan dalam memahami potensi pemanfaatan teknologi untuk deteksi dini. Kegiatan pengabdian ini berfokus pada edukasi teknologi machine learning sebagai pendekatan pendukung dalam analisis risiko sindrom metabolik di RSUD Siti Fatimah. Tujuan kegiatan adalah meningkatkan literasi digital kesehatan dan memberikan pemahaman dasar mengenai konsep, alur kerja, serta potensi penerapan machine learning dalam proses skrining klinis. Pengabdian dilaksanakan melalui sesi pemaparan, diskusi interaktif, dan studi kasus sederhana yang disesuaikan dengan kebutuhan tenaga kesehatan. Hasil kegiatan menunjukkan meningkatnya pemahaman peserta terhadap penggunaan data klinis dan teknologi prediksi berbasis machine learning, tercermin dari respon positif selama diskusi dan kemampuan peserta menjelaskan kembali konsep dasar yang disampaikan. Kegiatan ini memberikan landasan awal bagi kolaborasi lanjutan terkait implementasi teknologi cerdas dalam pelayanan kesehatan.

Referensi

Asoka, E., Asoka, E., Fathoni, F., Primanita, A., & Isa, I. G. T. (2025). Machine Learning Models for Metabolic Syndrome Identification with Explainable AI. Jurnal Teknik Informatika (Jutif). https://doi.org/10.52436/1.jutif.2025.6.3.4430

Asoka, E., & Hapsari, Y. (2025). Klasifikasi pasien hipertensi menggunakan k-means dan svm pada data sindrom metabolik, 08(01), 27–33.

Avianta, N. S., Putra, D. H., Satrya, B. A., & Fuad Iqbal, M. (2025). MALCOM: Indonesian Journal of Machine Learning and Computer Science Analysis of Artificial Intelligence Implementation in the Indonesian Healthcare Sector: A Literature Review Analisis Implementasi Artificial Intelligence dalam Dunia Kesehatan Indonesia:, 5(October), 1199–1210.

Behkamal, B., Asgharian Rezae, F., Mansoori, A., Kolahi Ahari, R., Mahmoudi Shamsabad, S., Esmaeilian, M. R., … Ghayour-Mobarhan, M. (2025). A machine learning-based framework for predicting metabolic syndrome using serum liver function tests and high-sensitivity C-reactive protein. Scientific Reports. https://doi.org/10.1038/s41598-025-06723-1

Driyah, S., Oemiati, R., Rustika, R., & Nova, S. H. (2019). Prediktor Sindrom Metabolik : Studi Kohor Prospektif Selama. Media Litbangkes.

Kostick-Quenet, K., Lang, B. H., Smith, J., Hurley, M., & Blumenthal-Barby, J. (2024). Trust criteria for artificial intelligence in health: Normative and epistemic considerations. Journal of Medical Ethics. https://doi.org/10.1136/jme-2023-109338

Lovelia Sukamtini, Yoke Pribadi Kornarius, Angela Caroline, A. G. (2025). Membangun Budaya Inovasi Digital: Studi Kasus Pelatihan Teknologi Di Rumah Sakit Swasta. Media Bina Ilmiah, 32(3), 167–186.

Nedyalkova, M., Madurga, S., & Simeonov, V. (2021). Combinatorial k-means clustering as a machine learning tool applied to diabetes mellitus type 2. International Journal of Environmental Research and Public Health. https://doi.org/10.3390/ijerph18041919

Romero-Saldaña, M., Fuentes-Jiménez, F. J., Vaquero-Abellán, M., Álvarez-Fernández, C., Molina-Recio, G., & López-Miranda, J. (2016). New non-invasive method for early detection of metabolic syndrome in the working population. European Journal of Cardiovascular Nursing. https://doi.org/10.1177/1474515115626622

Shin, D. (2024). Prediction of metabolic syndrome using machine learning approaches based on genetic and nutritional factors: a 14-year prospective-based cohort study. BMC Medical Genomics. https://doi.org/10.1186/s12920-024-01998-1

Xu, W., Zhang, Z., Hu, K., Fang, P., Li, R., Kong, D., … Xue, Y. (2023). Identifying metabolic syndrome easily and cost effectively using non-invasive methods with machine learning models. Diabetes, Metabolic Syndrome and Obesity. https://doi.org/10.2147/DMSO.S413829

Xue, Y., Song, M., Ung, C. O. L., & Hu, H. (2025). Using unsupervised machine learning methods to cluster cardio-metabolic profile of the middle-aged and elderly Chinese with general and central obesity. BMC Cardiovascular Disorders. https://doi.org/10.1186/s12872-025-05157-x

Zheng, J., Zhang, Z., Wang, J., Zhao, R., Liu, S., Yang, G., … Deng, Z. (2023). Metabolic syndrome prediction model using Bayesian optimization and XGBoost based on traditional Chinese medicine features. Heliyon. https://doi.org/10.1016/j.heliyon.2023.e22727

Unduhan

Dimensions

Diterbitkan

2025-12-23

Terbitan

Vol 4 No 12 (2025): Jurnal Pengabdian West Science

Bagian

Artikel

Lisensi

Hak Cipta (c) 2025 Egga Asoka, Fathoni Fathoni, Hadipurnawan Satria, Sony Oktapriandi

Creative Commons License

Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.

Cara Mengutip

Asoka, E., Fathoni, F., Satria, H., & Oktapriandi, S. (2025). Edukasi Teknologi Machine Learning dalam Mendukung Deteksi Risiko Sindrom Metabolik di RSUD Siti Fatimah. Jurnal Pengabdian West Science, 4(12), 2288-2299. https://doi.org/10.58812/jpws.v4i12.2994