Sleman, 12 Oktober 2026 — Tim peneliti Departemen Layanan dan Informasi Kesehatan (DLIKES), Sekolah Vokasi, Universitas Gadjah Mada (UGM), mengembangkan pendekatan Geospatial Artificial Intelligence (GeoAI) dan Explainable Machine Learning untuk mendukung prediksi dini kejadian Demam Berdarah Dengue (DBD). Penelitian ini mengintegrasikan data kesehatan, iklim, kependudukan, dan lingkungan untuk menghasilkan informasi prediksi yang diharapkan dapat membantu memperkuat sistem surveilans serta mendukung pengambilan keputusan di bidang kesehatan masyarakat.
Penelitian yang dipimpin oleh Dr. Marko Ferdian Salim, S.K.M., M.P.H., merupakan bagian dari pengembangan keilmuan Kelompok Bidang Keilmuan (KBK) Sains dan Teknologi Informasi Kesehatan di DLIKES Sekolah Vokasi UGM. Pelaksanaannya melibatkan kolaborasi lintas disiplin dengan peneliti dari Departemen Ilmu Komputer dan Elektronika serta mahasiswa Program Studi Manajemen Informasi Kesehatan. Kolaborasi ini diharapkan dapat mempertemukan keahlian bidang informasi kesehatan, analisis data, kecerdasan buatan, dan komputasi untuk menjawab tantangan surveilans penyakit menular.
Mengintegrasikan Data untuk Memperkuat Prediksi DBD
DBD merupakan penyakit yang dinamika penularannya dipengaruhi oleh berbagai faktor, termasuk kondisi iklim, lingkungan, kepadatan penduduk, dan pola persebaran kasus. Oleh karena itu, pemanfaatan data historis kasus saja belum tentu cukup untuk menggambarkan kompleksitas pola kejadian penyakit. Integrasi berbagai sumber data menjadi salah satu pendekatan yang dapat dikembangkan untuk memperkuat analisis dan prediksi.
Sylvestre et al. (2022), melalui tinjauan sistematis yang dipublikasikan dalam PLOS Neglected Tropical Diseases, membahas pemanfaatan data dunia nyata dan big data untuk prediksi serta surveilans DBD. Kajian tersebut menunjukkan potensi pendekatan berbasis data dalam mendukung pengembangan sistem pemantauan dan prediksi penyakit. Temuan ini memberikan landasan ilmiah bagi pengembangan model yang mengintegrasikan beragam sumber informasi untuk mendukung surveilans DBD.
Dalam riset ini, tim mengembangkan alur pembelajaran mesin yang meliputi beberapa metode Machine Learning, yakni Random Forest, Extreme Gradient Boosting (XGBoost), dan Spatio-Temporal Graph Neural Network (STGNN). Pendekatan tersebut dirancang untuk mengeksplorasi pola kejadian DBD berdasarkan hubungan antarwilayah dan perubahan dari waktu ke waktu. Dengan mempertimbangkan dimensi spasial dan temporal, model diharapkan dapat memberikan informasi yang lebih komprehensif mengenai dinamika risiko penyakit.
Mengembangkan Model yang Dapat Dijelaskan
Selain menghasilkan prediksi, penelitian ini menekankan pentingnya memahami faktor-faktor yang berkontribusi terhadap hasil pemodelan. Model kecerdasan buatan yang kompleks dapat menghasilkan prediksi, tetapi proses pengambilan keputusannya tidak selalu mudah dipahami oleh pengguna. Padahal, informasi mengenai faktor yang memengaruhi prediksi penting bagi tenaga kesehatan dan pengambil kebijakan dalam menilai relevansi hasil analisis.
Untuk mendukung interpretasi model, penelitian ini menggunakan pendekatan Explainable Artificial Intelligence (XAI), khususnya metode SHapley Additive exPlanations (SHAP). Metode ini direncanakan untuk membantu menjelaskan kontribusi relatif variabel-variabel yang digunakan dalam model terhadap hasil prediksi.
Ketua tim peneliti DLIKES SV UGM, Dr. Marko Ferdian Salim, S.K.M., M.P.H., menyampaikan bahwa keterjelasan model menjadi kunci utama dalam penerapan teknologi kecerdasan buatan di sektor kesehatan.
“Kami ingin memastikan bahwa model pemodelan kecerdasan buatan ini tidak hanya menjadi kotak hitam (black box) yang memberikan angka prediksi semata. Melalui pendekatan Explainable AI, tenaga kesehatan dan pengambil kebijakan dapat memahami variabel dominan apa saja yang paling memengaruhi peningkatan risiko DBD di suatu wilayah, sehingga tindakan pencegahan dapat dirancang lebih spesifik dan tepat sasaran,” ujar Dr. Marko.
Penelitian Buebos-Esteve dan Dagamac (2024) yang dipublikasikan dalam Acta Tropica juga menunjukkan penerapan data penginderaan jauh dan interpretable machine learning dalam pemodelan epidemiologi DBD. Studi tersebut menjadi salah satu rujukan yang relevan bagi pengembangan model yang mengintegrasikan informasi lingkungan dan pendekatan pembelajaran mesin yang dapat diinterpretasikan.
Luaran dan Penutup
Luaran yang ditargetkan dalam penelitian ini meliputi model prediksi, peta risiko DBD, dan visualisasi interaktif untuk menyajikan informasi hasil analisis. Luaran tersebut diharapkan dapat membantu pemangku kepentingan mengenali pola risiko, menentukan prioritas pemantauan, serta merencanakan intervensi kesehatan masyarakat secara lebih terarah.
Meskipun demikian, manfaat model dalam mendukung pengambilan keputusan perlu ditinjau melalui evaluasi kinerja, validasi, dan penilaian kesesuaian hasil prediksi dengan kebutuhan pengguna. Karena itu, pengembangan model tidak hanya berfokus pada kemampuan prediksi, tetapi juga pada kejelasan informasi, kualitas data, dan potensi pemanfaatannya dalam sistem surveilans kesehatan.
Pengembangan GeoAI dan Explainable Machine Learning ini sejalan dengan Tujuan Pembangunan Berkelanjutan atau Sustainable Development Goals (SDGs) Poin 3, yaitu Kehidupan Sehat dan Sejahtera. Melalui pengembangan teknologi analisis data kesehatan, tim DLIKES Sekolah Vokasi UGM berharap dapat berkontribusi pada penguatan sistem surveilans dan pengembangan pendekatan prediksi penyakit yang lebih informatif, transparan, serta mendukung pengambilan keputusan berbasis bukti.