EDUCARE.CO.ID – Universitas Muhammadiyah Yogyakarta (UMY) mengembangkan lima prototipe kecerdasan buatan (Artificial Intelligence/AI) untuk mendukung deteksi penyakit dan analisis kesehatan. Inovasi tersebut mencakup teknologi untuk mengidentifikasi limfoma maligna, mengklasifikasikan tumor otak, memperkirakan risiko penyakit jantung, hingga meningkatkan kualitas citra mammografi.
Guru Besar UMY bidang Kecerdasan Buatan Terapan, Prof. Ir. Slamet Riyadi, S.T., M.Sc., Ph.D., memaparkan kelima prototipe tersebut saat menjadi pembicara utama dalam International Conference on Sustainable Innovation (ICoSI) UMY 2026. Kegiatan itu berlangsung pada Rabu (5/8) di Ruang Sidang Gedung AR. Fachruddin B Lantai 5, UMY.
Kelima prototipe tersebut bernama LymphoScan, myStressD, BrainDetect, myHeartD v3, dan myDBT-Enhance. Menurut Slamet, seluruh prototipe telah memperoleh hak cipta dan menjalani pengujian laboratorium dengan hasil akurasi yang tinggi.
Lima Prototipe AI dengan Fungsi Kesehatan Berbeda
Setiap prototipe memiliki fungsi khusus sesuai kebutuhan analisis kesehatan. LymphoScan, misalnya, menggunakan citra mikroskopis untuk membantu mengidentifikasi jenis limfoma maligna, termasuk CLL, FL, dan MCL.
Sementara itu, myStressD menganalisis citra wajah yang diunggah melalui perangkat seluler untuk membantu mendeteksi tingkat stres seseorang. Prototipe ini memanfaatkan pendekatan berbasis citra sebagai bagian dari analisis kondisi pengguna.
Berbeda dengan keduanya, BrainDetect menganalisis citra Magnetic Resonance Imaging (MRI) untuk mengklasifikasikan jenis tumor otak. Sistem tersebut juga menampilkan skor keyakinan prediksi sehingga pengguna dapat melihat tingkat keyakinan model terhadap hasil analisisnya.
UMY juga mengembangkan myHeartD v3 untuk memperkirakan risiko penyakit jantung koroner berdasarkan data kuesioner pasien. Adapun myDBT-Enhance berfokus pada peningkatan kualitas citra mammografi untuk mendukung proses skrining kanker payudara.
Meski memiliki fungsi yang beragam, kelima prototipe tersebut dirancang untuk mendukung proses analisis, bukan menggantikan penilaian profesional tenaga kesehatan.
“Aplikasi-aplikasi ini dirancang sebagai alat bantu, dan bukan sebagai pengganti evaluasi profesional dari praktisi kesehatan,” tegas Slamet.
Berangkat dari Riset Berbagai Bidang Kesehatan
Pengembangan prototipe AI tersebut merupakan bagian dari rangkaian riset UMY di bidang kesehatan. Slamet menjelaskan bahwa penelitian yang mendasarinya mencakup empat kelompok utama.
Kelompok pertama berfokus pada pencitraan dada dan sistem pernapasan. Peneliti mengkaji pemanfaatan citra rontgen dan CT scan untuk mendukung deteksi COVID-19.
Kelompok kedua mencakup risiko kardiovaskular dan metabolik. Riset dalam kategori ini meliputi klasifikasi risiko penyakit jantung, penyakit arteri koroner, diabetes, dan stroke.
Selanjutnya, kelompok ketiga berfokus pada pencitraan kanker. Penelitian ini mencakup klasifikasi kanker payudara, identifikasi sel prakanker serviks, dan analisis kanker ginjal.
Sementara itu, kelompok keempat menyoroti kesehatan mental dan biosinyal. Cakupan risetnya meliputi deteksi stres, analisis emosi, kesehatan mental mahasiswa, serta variabilitas detak jantung.
Keempat kelompok tersebut menunjukkan luasnya penerapan AI dalam riset kesehatan. Teknologi ini dapat membantu peneliti mengolah data medis dan mengembangkan sistem analisis untuk berbagai kebutuhan.
Gunakan CNN, VGG, dan EfficientNet untuk Analisis Citra
Dalam mengembangkan model AI, tim peneliti memanfaatkan sejumlah arsitektur, antara lain Convolutional Neural Network (CNN), VGG, dan EfficientNet. Model-model tersebut mendukung analisis citra yang menjadi dasar beberapa prototipe.
Selain mengembangkan kemampuan prediksi, tim juga menerapkan teknik explainable AI atau AI yang dapat dijelaskan. Mereka menggunakan metode Grad-CAM dan LIME untuk membantu menelusuri bagian data yang memengaruhi prediksi model.
Pendekatan ini penting dalam konteks kesehatan karena tenaga medis perlu memahami dasar suatu hasil analisis. Dengan demikian, pengembangan AI tidak hanya mengejar hasil prediksi, tetapi juga memperhatikan transparansi proses analisisnya.
Namun, tingkat akurasi bukan satu-satunya tolok ukur keberhasilan teknologi tersebut. Pengembang juga perlu mempertimbangkan kecepatan pemrosesan, kebutuhan memori, dan kondisi penggunaan.
“Model yang lebih akurat tidak selalu berarti layanan yang lebih baik. Penerapannya juga bergantung pada kecepatan, memori, dan konteks penggunaan,” ungkap Slamet.
Akurasi Bukan Satu-satunya Ukuran Keberhasilan AI Kesehatan
Slamet menekankan bahwa evaluasi AI kesehatan membutuhkan penilaian yang lebih menyeluruh. Peneliti tidak cukup hanya mengandalkan satu metrik akurasi untuk menentukan kualitas model.
Selain performa teknis, evaluasi perlu mempertimbangkan dampak operasional dan potensi manfaat klinis. Kedua aspek tersebut membantu menentukan apakah teknologi sesuai dengan kebutuhan layanan kesehatan sehari-hari.
Karena itu, hasil pengujian laboratorium perlu dibedakan dari bukti manfaat dalam praktik klinis. Prototipe yang menunjukkan performa baik di laboratorium belum otomatis membuktikan efektivitasnya untuk penggunaan rutin pada pasien.
Melalui pengembangan lima prototipe tersebut, UMY mengeksplorasi pemanfaatan AI untuk mendukung analisis berbagai kondisi kesehatan. Ke depan, pengujian dan evaluasi lebih lanjut akan menjadi bagian penting dalam menilai kesiapan teknologi sebelum penerapan klinis.