Selama ini, pemeriksaan tuberkulosis umumnya mengandalkan foto rontgen dada dan pemeriksaan laboratorium. Meskipun hasilnya akurat, metode tersebut membutuhkan tenaga kesehatan terlatih, peralatan khusus, waktu yang relatif lama, serta biaya operasional yang tidak sedikit. Kondisi ini menjadi tantangan besar bagi daerah dengan sumber daya terbatas maupun lembaga pemasyarakatan yang memiliki tingkat kepadatan penghuni tinggi dan risiko penularan TB lebih besar.
Melihat kondisi tersebut, tim peneliti menawarkan pendekatan berbeda. Mereka memanfaatkan data fisiologis yang rutin diperiksa dalam pelayanan kesehatan sehari-hari, seperti suhu tubuh, saturasi oksigen (SpO₂), denyut nadi, tekanan darah sistolik dan diastolik, serta frekuensi pernapasan. Seluruh parameter tersebut kemudian dianalisis menggunakan algoritma Gradient Boosting Machine (GBM) untuk memprediksi kemungkinan seseorang berisiko mengalami tuberkulosis. Pendekatan ini memungkinkan proses skrining dilakukan lebih sederhana tanpa harus langsung menggunakan pemeriksaan penunjang yang mahal.
Penelitian dilakukan di sebuah Lembaga Pemasyarakatan Kelas IIB di Kota Padang dengan melibatkan 70 warga binaan perempuan yang dipilih berdasarkan kriteria tertentu. Data fisiologis setiap peserta dikumpulkan, dibersihkan melalui proses pengolahan data, kemudian digunakan untuk membangun model prediksi menggunakan perangkat lunak RapidMiner. Hasil prediksi dibandingkan dengan hasil pemeriksaan radiografi dada sebagai standar acuan untuk memastikan tingkat akurasi model yang dikembangkan.
Hasil penelitian menunjukkan performa model yang sangat menjanjikan. Pada tahap pengujian, TB-Guard berhasil mencapai:
- Akurasi sebesar 92,86%.
- Precision 83,33%.
- Recall 83,33%.
- F1-Score 83,33%.
- Nilai AUC 0,947, yang menunjukkan kemampuan klasifikasi sangat baik.
Selain itu, analisis confusion matrix memperlihatkan bahwa model mampu mengidentifikasi hampir seluruh individu berisiko TB dengan kesalahan klasifikasi yang sangat rendah. Peneliti juga menemukan bahwa kombinasi beberapa parameter fisiologis memberikan kontribusi penting dalam membedakan individu yang berisiko dan tidak berisiko terkena tuberkulosis.
Menurut tim peneliti, kekuatan utama TB-Guard bukan hanya terletak pada tingginya akurasi model AI, tetapi juga pada kemampuannya untuk diterjemahkan menjadi produk digital yang siap dikembangkan sebagai startup HealthTech. Berbeda dengan banyak penelitian kecerdasan buatan yang berhenti pada pengembangan algoritma, penelitian ini secara khusus mengintegrasikan aspek teknologi, layanan kesehatan, dan potensi bisnis sehingga hasil riset memiliki peluang lebih besar untuk diimplementasikan secara nyata.
TB-Guard dirancang sebagai sistem pendukung keputusan klinis yang membantu tenaga kesehatan menentukan pasien mana yang perlu diprioritaskan menjalani pemeriksaan lanjutan seperti foto rontgen atau pemeriksaan laboratorium. Dengan demikian, sumber daya kesehatan dapat digunakan secara lebih efisien tanpa mengurangi kualitas skrining. Sistem ini juga berpotensi diterapkan di puskesmas, klinik, layanan kesehatan daerah terpencil, hingga program skrining masyarakat secara luas, terutama di wilayah yang masih memiliki keterbatasan fasilitas diagnostik.
Penelitian ini juga memperlihatkan bagaimana kecerdasan buatan dapat memberikan dampak ganda, yakni meningkatkan pelayanan kesehatan sekaligus membuka peluang kewirausahaan berbasis teknologi. Konsep startup HealthTech seperti TB-Guard dinilai mampu menciptakan inovasi digital yang memiliki nilai sosial sekaligus nilai ekonomi. Apabila dikembangkan lebih lanjut, platform ini dapat mendukung transformasi digital sektor kesehatan Indonesia dan mempercepat upaya pemerintah dalam mencapai target eliminasi tuberkulosis.
Meski demikian, penulis mengakui masih terdapat sejumlah keterbatasan. Jumlah responden yang digunakan masih relatif kecil dan hanya berasal dari satu lembaga pemasyarakatan sehingga diperlukan penelitian lanjutan dengan populasi yang lebih besar dan lebih beragam. Model juga masih menggunakan data fisiologis tanpa mengombinasikannya dengan data laboratorium maupun riwayat penyakit. Selain itu, TB-Guard masih berada pada tahap prototipe sehingga perlu melalui pengujian implementasi di fasilitas kesehatan, evaluasi regulasi, analisis kelayakan bisnis, hingga strategi komersialisasi sebelum dapat digunakan secara luas.
Fauzyah Aprillia dan tim menyatakan bahwa pengembangan TB-Guard menunjukkan bagaimana hasil penelitian akademik dapat diubah menjadi solusi digital yang aplikatif. Dengan menggabungkan kecerdasan buatan dan data fisiologis yang mudah diperoleh, sistem ini diharapkan mampu mendukung deteksi dini tuberkulosis secara lebih cepat, objektif, dan terjangkau, terutama bagi kelompok masyarakat yang memiliki risiko penularan tinggi.
Profil Penulis
Fauzyah Aprillia, M.K.M. merupakan dosen pada Fakultas Vokasi Universitas Baiturrahmah dengan bidang keahlian kesehatan masyarakat, inovasi HealthTech, kecerdasan buatan di bidang kesehatan, dan analitik prediktif. Penelitian ini disusun bersama Oktavia Puspita Sari, Noviardi Prima Putra dari Fakultas Vokasi Universitas Baiturrahmah, serta Fauziah Putri Ramadani, mahasiswa Program Studi Radiologi Universitas Baiturrahmah, yang berkolaborasi mengembangkan inovasi digital untuk mendukung pengendalian tuberkulosis di Indonesia.
Sumber Penelitian
Judul artikel: Development of the TB-Guard HealthTech Startup: A Gradient Boosting Machine-Based Tuberculosis Risk Prediction Model for Correctional Inmate Screening
Jurnal: Indonesian Journal of Entrepreneurship & Startups (IJES), Vol. 4 No. 2 (2026)
0 Komentar