Jurnal Ners
Vol. 10 No. 4 (2026): OKTOBER 2026

Pengembangan Model Prediksi Keparahan Premenstrual Syndrome (PMS) Untuk Mendukung Asuhan Kebidanan Kesehatan Reproduksi Perempuan Berbasis Data Gejala Harian dan Parameter Fisiologis Digital

Ria Fazelita Br Gultom (Universitas Satya Terra Bhinneka)
Dilma'aarij Riski Agustia (Universitas Satya Terra Bhinneka)
Rut Yohana Girsang (Universitas Satya Terra Bhinneka)



Article Info

Publish Date
19 Oct 2026

Abstract

Premenstrual Syndrome (PMS) merupakan salah satu gangguan kesehatan reproduksi paling umum yang dialami oleh perempuan usia reproduktif dan berpotensi menurunkan kualitas hidup serta produktivitas harian. Ketidaktepatan pencatatan secara retrospektif sering menimbulkan subjektivitas dan recall bias dalam penentuan keparahan PMS. Dalam keilmuan kebidanan, keberadaan model prediktif berbasis data obyektif sangat krusial untuk mengoptimalkan asuhan kebidanan kesehatan reproduksi secara presisi dan terukur. Tujuan penelitian ini bertujuan untuk mengembangkan dan menguji akurasi pemodelan prediksi keparahan PMS berbasis integrasi data catatan gejala harian digital (daily symptom tracker) dan parameter fisiologis digital (Heart Rate Variability/HRV, kualitas tidur, dan suhu tubuh basal) guna mendukung asuhan kebidanan kesehatan reproduksi. Metode penelitian analitik observasional dengan pendekatan prospective cohort design dilakukan pada 60 perempuan usia reproduktif (18–35 tahun) selama 2 siklus menstruasi berturut-turut. Pengumpulan data dilakukan menggunakan aplikasi pemantau gejala harian (Daily Record of Severity of Problems) yang diintegrasikan dengan smartband/wearable biosensor. Pemodelan prediktif dievaluasi menggunakan regresi logistik ordinal dan algoritma Random Forest Machine Learning untuk mengklasifikasikan tingkat keparahan PMS (ringan, sedang, berat). Hasil analisis statistik multivariat menunjukkan bahwa integrasi variabel HRV fase luteal (p < 0,001), durasi tidur efektif (p = 0,002), fluktuasi suhu tubuh basal (p = 0,012), serta skor gejala afektif harian (p < 0,001) secara signifikan memprediksi keparahan PMS. Algoritma Random Forest menghasilkan tingkat akurasi prediksi sebesar 88,3%, sensitivitas 86,5%, spesifisitas 89,1%, dan nilai AUC-ROC sebesar 0,912. Kesimpulan model prediksi berbasis kombinasi data harian dan parameter fisiologis digital terbukti presisi dalam memprediksi derajat keparahan PMS, sehingga layak diintegrasikan sebagai instrumen skrining digital dalam praktik asuhan kebidanan kesehatan reproduksi perempuan.

Copyrights © 2026






Journal Info

Abbrev

ners

Publisher

Subject

Health Professions Medicine & Pharmacology Nursing

Description

Fokus Jurnal Ners meliputi bidang kajian riset keperawatan diantaranya Keperawatan Medikal Bedah, Keperawatan Maternitas, Keperawatan Gawat Darurat, Keperawatan Anak, Keperawatan Lansia, Keperawatan Jiwa, Keperawatan Keluarga, Keperawatan Masyarakat, Manajemen Keperawatan dan Terapi Komplementer ...