YOGYAKARTA, obyektif.tv – Angka stunting di Indonesia masih menjadi persoalan kesehatan yang membutuhkan perhatian serius. Berdasarkan Survei Status Gizi Indonesia (SSGI) 2023, prevalensi stunting nasional tercatat sebesar 21,6 persen. Salah satu faktor yang berpotensi berkontribusi terhadap kondisi tersebut adalah Fetal Growth Restriction (FGR) atau pertumbuhan janin terhambat yang terjadi ketika janin tidak tumbuh sesuai potensi genetiknya selama berada di dalam kandungan.
Secara global, FGR diperkirakan berkontribusi terhadap 30 hingga 50 persen kasus bayi yang lahir dengan ukuran kecil untuk usia kehamilan. Kondisi tersebut mendorong sekelompok mahasiswa Universitas Teknologi Yogyakarta (UTY) mengembangkan inovasi berbasis Artificial intelligence (AI) atau kecerdasan buatan untuk membantu tenaga kesehatan melakukan skrining awal risiko FGR.
Tim yang tergabung dalam Program Kreativitas Mahasiswa Riset Eksakta (PKM-RE) 2026 itu terdiri atas mahasiswa Program Studi Informatika, Informatika Medis, dan Data Sains. Tim dipimpin Sherlly Briliant Saputri bersama empat anggota lainnya, dengan pendampingan dosen pembimbing Ledy Elsera Astrianty.
Inovasi yang dikembangkan berupa Sistem Pendukung Keputusan (SPK) berbasis web yang dirancang untuk membantu tenaga kesehatan, khususnya bidan di fasilitas kesehatan tingkat primer, melakukan skrining awal terhadap risiko FGR.
Sistem tersebut dikembangkan sebagai alternatif pendukung skrining yang tidak semata-mata bergantung pada pemeriksaan USG Doppler. Pasalnya, pemeriksaan tersebut belum selalu mudah diakses di seluruh fasilitas kesehatan primer.
Dalam sistem yang dikembangkan mahasiswa UTY, prediksi risiko dilakukan dengan memanfaatkan data riwayat klinis maternal yang umumnya telah dicatat dalam pelayanan kehamilan. Data tersebut antara lain kadar hemoglobin, frekuensi kunjungan Antenatal Care (ANC), kenaikan berat badan ibu selama kehamilan, serta kebiasaan merokok dan konsumsi alkohol.
Pada tahap pengembangan, tim menggunakan model Deep Neural Network (DNN) yang dilatih dengan lebih dari 101.000 data kelahiran. Untuk meningkatkan transparansi hasil prediksi, sistem juga mengintegrasikan teknologi Explainable Artificial Intelligence (XAI) melalui metode SHapley Additive exPlanations (SHAP) dan Diverse Counterfactual Explanations (DiCE).
SHAP digunakan untuk memberikan penjelasan mengenai faktor yang paling berpengaruh terhadap hasil prediksi. Dengan pendekatan tersebut, sistem tidak hanya menampilkan tingkat risiko, tetapi juga memberikan informasi mengenai alasan di balik prediksi.
Sementara itu, DiCE digunakan untuk menghasilkan skenario what-if atau kemungkinan perubahan kondisi yang dapat menurunkan risiko. Pendekatan ini memungkinkan tenaga kesehatan memperoleh gambaran mengenai faktor-faktor yang masih dapat diintervensi.
Hasil analisis SHAP terhadap model DNN menunjukkan bahwa kadar hemoglobin ibu menjadi faktor yang paling dominan memengaruhi risiko FGR dengan nilai SHAP sebesar 0,142. Faktor berikutnya adalah frekuensi kunjungan ANC sebesar 0,118, kenaikan berat badan ibu selama kehamilan sebesar 0,095, serta jumlah konsumsi rokok per hari sebesar 0,082.
Temuan tersebut menunjukkan bahwa empat faktor utama yang teridentifikasi bersifat modifiable atau dapat diintervensi. Artinya, tenaga kesehatan dapat melakukan langkah pencegahan melalui intervensi yang sesuai, seperti pemberian suplementasi zat besi untuk mengatasi anemia, mendorong kepatuhan kunjungan ANC, memantau kenaikan berat badan ibu selama kehamilan, serta memberikan edukasi untuk menghentikan kebiasaan merokok.
“Kami ingin sistem ini bukan sekadar AI yang memberikan angka risiko, tetapi juga bisa menjelaskan alasan di balik prediksinya dalam bahasa yang mudah dipahami oleh tenaga kesehatan. Di dunia medis, kepercayaan terhadap suatu alat bantu baru bisa tumbuh jika tenaga medis paham mengapa alat itu memberikan hasil demikian,” ujar Ketua Tim PKM-RE 2026, Sherlly Briliant Saputri, Kamis (27/8/2026).
Untuk membuat hasil analisis lebih mudah dipahami, tim kemudian menerjemahkan keluaran matematis dari SHAP dan DiCE menjadi narasi klinis berbahasa Indonesia dengan memanfaatkan teknologi Gemini Large Language Model (LLM) dari Google.
Integrasi tersebut memungkinkan hasil analisis teknis disajikan dalam bentuk penjelasan yang lebih sederhana sehingga dapat dipahami oleh tenaga kesehatan tanpa harus memiliki latar belakang khusus di bidang data science.
Salah satu anggota tim peneliti, Syafiqka Emalinda Aflikha, mengatakan riset tersebut memiliki keunikan karena menggabungkan aspek akurasi prediksi dan transparansi dalam satu sistem.
“Riset ini menarik karena menggabungkan tiga elemen yang jarang dijumpai secara bersamaan dalam satu sistem, yaitu deep learning untuk prediksi, explainable AI untuk transparansi, dan large language model untuk menerjemahkan hasil teknis menjadi narasi. Harapannya, pendekatan seperti ini bisa menjadi model bagi pengembangan AI di bidang kesehatan yang lebih bertanggung jawab dan terpercaya,” ungkapnya.
Saat ini, tim telah berhasil membangun dashboard web interaktif yang terintegrasi secara end-to-end. Sistem tersebut mencakup proses input data klinis, prediksi risiko, penjelasan hasil AI, hingga fitur pencetakan laporan.
Seluruh fitur telah melalui pengujian fungsionalitas dan siap digunakan sebagai prototipe untuk mendukung skrining awal risiko FGR di lapangan.
Melalui inovasi tersebut, mahasiswa UTY berharap teknologi AI yang dikembangkan dapat memberikan kontribusi dalam upaya pencegahan gangguan pertumbuhan janin sekaligus mendukung program penurunan stunting di Indonesia.
Riset ini juga menunjukkan bahwa pemanfaatan kecerdasan buatan di bidang kesehatan tidak harus hadir sebagai sistem “kotak hitam”. Dengan pendekatan explainable AI, hasil prediksi dapat disertai alasan dan informasi yang lebih mudah dipahami sehingga berpotensi meningkatkan kepercayaan tenaga kesehatan dalam memanfaatkan teknologi sebagai alat bantu pengambilan keputusan klinis. ***
