Inovasi UMY Kembangkan Lima Prototipe AI untuk Deteksi Penyakit Kritis hingga Tumor Otak
Teknologi Kecerdasan Buatan Dikembangkan sebagai Alat Bantu Diagnosis Berbasis Data Kesehatan
Universitas Muhammadiyah Yogyakarta (UMY) terus mengembangkan inovasi di bidang teknologi kesehatan melalui pemanfaatan kecerdasan buatan atau artificial intelligence (AI). Salah satu pengembangan terbaru adalah lima prototipe AI yang dirancang untuk membantu proses deteksi berbagai penyakit, mulai dari limfoma maligna, gangguan stres, penyakit jantung, hingga tumor otak.
Kelima prototipe tersebut diperkenalkan oleh Guru Besar UMY bidang Kecerdasan Buatan Terapan, Prof. Ir. Slamet Riyadi, S.T., M.Sc., Ph.D., dalam kegiatan The 10th International Conference on Sustainable Innovation (The 10th ICoSI) UMY 2026. Acara tersebut berlangsung pada Rabu (5/8/2026) di Ruang Sidang Gedung AR. Fachruddin B lantai 5 UMY.
Baca Juga “Pakar UMY: Solusi AI Kesehatan di Indonesia Harus Sampai ke Luar Rumah Sakit Besar“
Dalam pemaparannya, Slamet menjelaskan bahwa pengembangan AI kesehatan dilakukan untuk membantu tenaga medis dalam mengambil keputusan berbasis data. Teknologi tersebut tidak dirancang untuk menggantikan peran dokter, melainkan menjadi pendukung dalam proses analisis dan evaluasi medis.
Lima prototipe AI yang dikembangkan UMY terdiri atas LymphoScan, myStressD, BrainDetect, myHeartD v3, dan myDBT-Enhance. Seluruh sistem tersebut telah memperoleh pendaftaran hak cipta dan melalui tahap pengujian laboratorium dengan tingkat akurasi yang tinggi.
Lima Prototipe AI UMY Dukung Deteksi Limfoma hingga Skrining Kanker
LymphoScan menjadi salah satu inovasi yang dikembangkan untuk membantu mendeteksi limfoma maligna melalui analisis citra mikroskopis. Aplikasi berbasis web tersebut mampu mengidentifikasi beberapa jenis limfoma, seperti Chronic Lymphocytic Leukemia (CLL), Follicular Lymphoma (FL), dan Mantle Cell Lymphoma (MCL).
Sementara itu, myStressD dikembangkan untuk membantu mendeteksi kondisi stres seseorang melalui analisis citra wajah. Sistem tersebut memanfaatkan gambar yang diunggah melalui perangkat mobile untuk mengidentifikasi indikator tertentu yang berkaitan dengan kondisi psikologis pengguna.
Prototipe berikutnya, BrainDetect, berfokus pada klasifikasi tumor otak menggunakan citra Magnetic Resonance Imaging (MRI). Sistem ini tidak hanya memberikan hasil klasifikasi, tetapi juga menyertakan tingkat keyakinan terhadap prediksi yang dihasilkan oleh model AI.
Selain bidang kanker, UMY juga mengembangkan myHeartD v3 untuk memperkirakan risiko penyakit jantung koroner berdasarkan data kuesioner pasien. Teknologi tersebut bertujuan membantu proses identifikasi awal terhadap faktor risiko penyakit kardiovaskular.
Adapun myDBT-Enhance dikembangkan untuk meningkatkan kualitas citra mammografi. Teknologi ini diharapkan dapat mendukung proses skrining kanker payudara dengan menghasilkan gambar yang lebih jelas sehingga membantu tenaga kesehatan melakukan analisis.
“Aplikasi-aplikasi ini dirancang sebagai alat bantu, dan bukan sebagai pengganti evaluasi profesional dari praktisi kesehatan,” tegas Slamet.
Menurut Slamet, pengembangan AI kesehatan harus tetap menempatkan tenaga medis sebagai pengambil keputusan utama. Teknologi berfungsi untuk mempercepat analisis, meningkatkan efisiensi, dan memberikan informasi tambahan yang mendukung pelayanan kesehatan.
Riset AI UMY Mencakup Empat Bidang Kesehatan Utama
Pengembangan prototipe AI UMY berasal dari riset yang mencakup empat kategori utama. Kategori pertama berfokus pada pencitraan dada dan sistem pernapasan, termasuk penelitian mengenai deteksi COVID-19 melalui citra rontgen dan CT scan.
Kategori kedua mencakup risiko kardiovaskular dan metabolik. Bidang ini meliputi pengembangan sistem untuk membantu klasifikasi risiko penyakit jantung, penyakit arteri koroner, diabetes, hingga stroke.
Kategori ketiga berkaitan dengan pencitraan kanker. Riset pada bidang ini mencakup klasifikasi kanker payudara, deteksi sel pra-kanker serviks, serta analisis kanker ginjal menggunakan teknologi berbasis AI.
Sementara kategori keempat menyasar bidang kesehatan mental dan biosignal. Penelitian dalam bidang ini meliputi deteksi stres, pengenalan emosi, kesehatan mental mahasiswa, serta analisis variabilitas detak jantung.
Dalam proses pengembangannya, tim peneliti UMY menggunakan berbagai arsitektur AI, seperti Convolutional Neural Network (CNN), VGG, dan EfficientNet. Teknologi tersebut digunakan untuk mengolah berbagai jenis data, terutama citra medis.
Selain meningkatkan kemampuan prediksi, peneliti juga menerapkan metode explainability seperti Grad-CAM dan LIME. Metode tersebut bertujuan agar hasil prediksi AI dapat dipahami dan ditelusuri oleh tenaga medis, bukan hanya menghasilkan keputusan tanpa penjelasan.
“Model yang lebih akurat tidak selalu berarti layanan yang lebih baik. Penerapannya juga bergantung pada kecepatan, memori, dan konteks penggunaan,” ujar Slamet.
Ia menjelaskan bahwa evaluasi AI kesehatan tidak dapat hanya mengandalkan tingkat akurasi. Sebuah model harus dinilai berdasarkan dampak operasional, kesiapan infrastruktur, serta manfaat klinis sebelum diterapkan dalam layanan kesehatan.
Implementasi AI Kesehatan di Indonesia Memerlukan Kesiapan Infrastruktur
Slamet menilai tantangan terbesar penerapan AI kesehatan di Indonesia bukan hanya pada kemampuan teknologi. Faktor geografis, kesiapan data, konektivitas, sumber daya manusia, dan tata kelola menjadi aspek penting dalam menentukan keberhasilan implementasi.
Menurutnya, sistem AI yang berhasil digunakan di rumah sakit besar perkotaan belum tentu dapat langsung diterapkan di fasilitas kesehatan tingkat pertama atau wilayah terpencil. Perbedaan infrastruktur dan alur pelayanan menjadi faktor yang harus diperhitungkan.
“Kalau sebuah sistem hanya bekerja di rumah sakit tersier, itu belum bisa disebut solusi bagi optimalisasi sistem kesehatan di Indonesia,” ungkap Slamet.
Ia menyebut terdapat lima aspek utama yang menentukan kesiapan implementasi AI kesehatan. Aspek tersebut meliputi kematangan data, konektivitas internet, ketersediaan tenaga kerja terlatih, sistem rujukan pasien, dan tata kelola teknologi.
Kesenjangan akses layanan spesialis antarwilayah juga menjadi perhatian. Slamet menilai layanan radiologi dan diagnostik khusus masih banyak terkonsentrasi di wilayah tertentu, sementara pertukaran informasi medis antar fasilitas kesehatan masih menghadapi berbagai tantangan.
Sebagai contoh, Slamet memaparkan uji coba qXR dan qTrack, yaitu sistem analisis rontgen dada berbasis AI untuk membantu mendeteksi tuberkulosis dan lebih dari 20 temuan prioritas lainnya. Uji coba tersebut dilakukan di tiga rumah sakit, yakni RSUP Fatmawati, RSUP Dr. M. Djamil, dan RSPON.
“Uji coba qXR dan qTrack ini masih berstatus pilot riset klinis, bukan program rutin nasional,” jelas Slamet.
Ia menegaskan bahwa keberhasilan sebuah teknologi pada tahap penelitian belum dapat langsung disamakan dengan keberhasilan implementasi secara luas. Bukti riset, bukti klinis, dan bukti penerapan di lapangan harus dipisahkan dalam proses evaluasi.
Menurut Slamet, sistem AI kesehatan baru layak diperluas apabila memenuhi sejumlah persyaratan. Di antaranya adalah kesesuaian dengan alur kerja tenaga kesehatan, kesiapan sumber daya manusia, dukungan infrastruktur, perlindungan privasi data, serta kolaborasi antara akademisi, tenaga medis, industri, dan pemerintah.
Pengembangan lima prototipe AI oleh UMY menunjukkan potensi besar teknologi kecerdasan buatan dalam mendukung transformasi layanan kesehatan Indonesia. Namun, penerapan teknologi tersebut tetap membutuhkan proses validasi, pengawasan, dan penyesuaian dengan kebutuhan masyarakat.
Ke depan, AI kesehatan di Indonesia diharapkan tidak hanya mampu meningkatkan kualitas diagnosis, tetapi juga memperluas akses layanan kesehatan yang lebih merata. Dengan dukungan riset berkelanjutan dan kolaborasi berbagai pihak, teknologi AI dapat menjadi salah satu instrumen penting dalam membangun sistem kesehatan yang lebih efektif dan inklusif.
Baca Juga “Kemenkes Kembangkan Inovasi Teknologi AI: Upaya Percepat Eliminasi Tuberkulosis“
