Analisis AI Ungkap Pola Keberhasilan Pengobatan Tuberkulosis di Indonesia, Bali Jadi Wilayah Unik
FORMOSA NEWS – Pola keberhasilan pengobatan tuberkulosis (TB) di Indonesia ternyata tidak seragam antarprovinsi. Temuan ini diungkap dalam penelitian yang dilakukan oleh Mahrani dari Universitas Negeri Makassar (UNM) dan dipublikasikan pada tahun 2026 dalam International Journal of Applied and Advanced Multidisciplinary Research (IJAAMR). Dengan memanfaatkan metode analisis data berbasis kecerdasan buatan (AI) bernama Density-Based Spatial Clustering of Applications with Noise (DBSCAN), penelitian ini berhasil mengelompokkan provinsi-provinsi di Indonesia berdasarkan kesamaan hasil pengobatan TB serta mengidentifikasi wilayah yang memiliki karakteristik berbeda dari daerah lainnya. Studi ini menjadi penting karena Indonesia masih termasuk negara dengan beban tuberkulosis tertinggi di dunia. Organisasi Kesehatan Dunia (WHO) mencatat bahwa Indonesia menyumbang sekitar 10 persen kasus TB global pada 2024 dan menempati posisi kedua setelah India. Tingginya jumlah kasus tersebut menunjukkan bahwa upaya pengendalian TB masih menghadapi berbagai tantangan, mulai dari deteksi kasus, akses layanan kesehatan, hingga keberhasilan pengobatan. Menurut Mahrani, distribusi kasus dan hasil pengobatan TB di Indonesia tidak merata. Faktor kepadatan penduduk, kondisi sosial ekonomi, kualitas lingkungan, mobilitas masyarakat, serta akses terhadap layanan kesehatan berpotensi memengaruhi perbedaan pola antarwilayah. Karena itu, diperlukan pendekatan analisis yang mampu mengidentifikasi daerah-daerah dengan karakteristik serupa maupun daerah yang memiliki pola berbeda. Dalam penelitian ini, data sekunder dari 34 provinsi di Indonesia dianalisis menggunakan pendekatan data mining. Variabel yang diamati mencakup jumlah pasien sembuh, pengobatan lengkap, meninggal dunia, gagal pengobatan, putus berobat (loss to follow-up), dan kasus yang belum dievaluasi. Seluruh data kemudian diproses menggunakan teknik normalisasi, reduksi dimensi data, dan analisis klaster berbasis kepadatan menggunakan algoritma DBSCAN. Berbeda dengan metode klasterisasi konvensional seperti K-Means yang harus menentukan jumlah kelompok sejak awal, DBSCAN mampu menemukan kelompok secara otomatis berdasarkan kepadatan data. Metode ini juga memiliki kemampuan mendeteksi wilayah yang dianggap berbeda atau menyimpang dari pola umum, yang dalam analisis disebut sebagai noise atau outlier. Hasil penelitian menunjukkan bahwa kombinasi parameter terbaik diperoleh pada nilai epsilon (ε) sebesar 0,05 dan MinPts sebesar 2. Dengan konfigurasi tersebut, model menghasilkan dua kelompok utama dan satu wilayah yang dikategorikan sebagai noise. Validasi menggunakan Davies-Bouldin Index (DBI) menghasilkan nilai 0,450, yang menunjukkan kualitas pengelompokan yang baik.
Dua Kelompok Besar dan Satu Wilayah Outlier
Dari hasil analisis, sebanyak 27 provinsi masuk ke dalam kelompok pertama. Provinsi-provinsi tersebut meliputi Aceh, Sumatera Utara, Sumatera Barat, Riau, Kepulauan Riau, Jambi, Sumatera Selatan, Kepulauan Bangka Belitung, Bengkulu, Lampung, Banten, DKI Jakarta, Jawa Barat, Jawa Tengah, DI Yogyakarta, Jawa Timur, Kalimantan Barat, Kalimantan Tengah, Kalimantan Selatan, Kalimantan Timur, Kalimantan Utara, Sulawesi Utara, Gorontalo, Sulawesi Tengah, Sulawesi Selatan, Sulawesi Barat, dan Nusa Tenggara Barat. Kelompok ini menunjukkan karakteristik hasil pengobatan TB yang relatif serupa sehingga dapat menjadi dasar bagi pemerintah untuk menerapkan strategi pengendalian yang sejenis di berbagai wilayah tersebut. Sementara itu, kelompok kedua terdiri atas enam provinsi, yaitu Sulawesi Tenggara, Nusa Tenggara Timur, Maluku, Maluku Utara, Papua, dan Papua Barat. Wilayah-wilayah ini memiliki pola hasil pengobatan yang berbeda dibandingkan mayoritas provinsi lainnya. Menurut peneliti, perbedaan tersebut kemungkinan berkaitan dengan kondisi geografis, persebaran penduduk yang tidak merata, keterbatasan akses layanan kesehatan, serta tantangan logistik yang lebih besar dibandingkan wilayah lain di Indonesia. Temuan yang paling menarik adalah munculnya Bali sebagai satu-satunya provinsi yang dikategorikan sebagai noise atau wilayah dengan pola yang unik. Dalam konteks DBSCAN, status noise bukan berarti terdapat kesalahan data, melainkan menunjukkan bahwa karakteristik hasil pengobatan TB di Bali tidak memiliki kemiripan yang cukup kuat dengan kelompok provinsi lainnya. Keunikan ini dapat dipengaruhi oleh berbagai faktor, mulai dari kualitas layanan kesehatan, tingkat keberhasilan pengobatan, pola pelaporan kasus, mobilitas penduduk, hingga kondisi sosial ekonomi yang berbeda dibandingkan daerah lain. Karena itu, Bali menjadi wilayah yang memerlukan kajian lebih mendalam untuk memahami faktor-faktor yang membentuk pola tersebut.
Manfaat bagi Kebijakan Kesehatan
Penelitian ini menunjukkan bahwa pendekatan analisis berbasis AI dapat membantu pemerintah dalam merancang kebijakan kesehatan yang lebih tepat sasaran. Dengan mengetahui kelompok provinsi yang memiliki karakteristik serupa, program pengendalian TB dapat dirancang secara lebih efisien dan sesuai dengan kebutuhan masing-masing wilayah. Provinsi yang berada dalam kelompok besar dapat memperoleh penguatan program yang telah berjalan, seperti peningkatan pemantauan pengobatan, pelacakan pasien, dan evaluasi hasil terapi. Sementara itu, provinsi yang berada dalam kelompok kedua memerlukan pendekatan yang lebih spesifik sesuai dengan kondisi geografis dan akses layanan kesehatan setempat. Adapun wilayah yang teridentifikasi sebagai outlier atau noise memerlukan investigasi tambahan agar faktor penyebab perbedaannya dapat dipahami secara lebih komprehensif. Informasi tersebut dapat menjadi dasar bagi pengambil kebijakan untuk mengembangkan strategi pengendalian TB yang lebih adaptif dan berbasis data. Mahrani menegaskan bahwa analisis klaster tidak hanya berguna untuk melihat jumlah kasus, tetapi juga membantu memahami kesamaan dan perbedaan karakteristik antarwilayah. Pendekatan semacam ini memungkinkan pengambilan keputusan yang lebih efektif dalam upaya pengendalian penyakit menular di Indonesia.
Profil Penulis
Mahrani merupakan akademisi dan peneliti dari Universitas Negeri Makassar (UNM). Bidang keahliannya meliputi analisis data, statistika, data mining, serta penerapan metode komputasi dalam penelitian multidisiplin, termasuk bidang kesehatan masyarakat dan epidemiologi spasial.
Sumber Penelitian
Judul Artikel: Density Based Spatial Clustering of Application with Noise on Tuberculosis Cases in Indonesia
Penulis: Mahrani
Afiliasi: Universitas Negeri Makassar
Jurnal: International Journal of Applied and Advanced Multidisciplinary Research (IJAAMR)
Volume: 4, Nomor 5
Tahun Publikasi: 2026
.jpg)
0 Komentar