Aplikasi Mobile dengan XAI: Menjelaskan Risiko Diabetes untuk Pengguna Non-Ahli

Pendahuluan: Urgensi Deteksi Dini Diabetes di Era Digital

      Diabetes telah menjadi tantangan kesehatan global yang signifikan, dengan tren peningkatan yang mengkhawatirkan. Di Indonesia, penyakit ini menempati peringkat kelima di dunia dengan 19,5 juta penderita pada tahun 2021, dan diproyeksikan melonjak hingga 28,6 juta pada tahun 2045. Angka-angka ini tidak hanya mencerminkan ancaman serius terhadap kesehatan individu, tetapi juga menimbulkan beban berat bagi sistem layanan kesehatan dan ekonomi negara. Oleh karena itu, deteksi dini dan tindakan pencegahan menjadi sangat krusial sebelum penyakit ini berkembang lebih jauh.

      Teknologi Kecerdasan Buatan (AI) menawarkan potensi besar dalam meningkatkan akurasi dan efisiensi deteksi berbagai penyakit, termasuk diabetes. Namun, banyak aplikasi kesehatan berbasis AI yang dikembangkan seringkali beroperasi sebagai "kotak hitam" (black box), menghasilkan prediksi tanpa menjelaskan alasan di baliknya. Kurangnya transparansi ini dapat menimbulkan kebingungan dan ketidakpercayaan di kalangan pengguna, terutama mereka yang tidak memiliki latar belakang teknis. Sebuah penelitian terbaru yang berjudul "A Mobile Application Front-End for Presenting Explainable AI Results in Diabetes Risk Estimation" dari peneliti di Institut Teknologi Bandung menggarisbawahi pentingnya mengatasi kesenjangan komunikasi ini (Bernardus Willson et al., 2025).

Mengatasi "Kotak Hitam" AI dalam Pelayanan Kesehatan

      Model AI "kotak hitam" adalah sistem yang memberikan hasil prediksi atau keputusan tanpa mengungkapkan bagaimana mereka mencapainya. Dalam konteks kesehatan, di mana keputusan dapat secara fundamental memengaruhi kualitas hidup seseorang, kurangnya transparansi ini menimbulkan tantangan etika dan kepercayaan yang serius. Bayangkan menerima diagnosis risiko diabetes tinggi dari aplikasi, namun Anda tidak tahu faktor apa yang paling memengaruhinya—apakah itu pola makan, usia, riwayat keluarga, atau gaya hidup? Tanpa pemahaman ini, sulit bagi individu untuk mengambil tindakan pencegahan yang relevan dan terinformasi.

      Kesenjangan komunikasi ini, di mana output teknis dari AI tidak dapat dipahami oleh pengguna non-ahli, dapat merusak tujuan utama pemberdayaan pengguna dengan wawasan kesehatan yang dapat ditindaklanjuti. Ini juga dapat menyebabkan salah interpretasi data, yang sangat berisiko dalam aplikasi kesehatan yang kritis. Solusi yang ada seringkali menggunakan visualisasi teknis yang masih membebani kognitif pengguna awam. Oleh karena itu, kebutuhan akan antarmuka yang mampu menerjemahkan penjelasan teknis ini menjadi format yang intuitif dan mudah diakses oleh pengguna akhir menjadi sangat mendesak.

XAI dan SHAP: Menjelaskan Prediksi untuk Pemberdayaan Pengguna

      Untuk menjembatani kesenjangan "kotak hitam" ini, muncullah bidang Explainable Artificial Intelligence (XAI). XAI berupaya menjelaskan mengapa model AI membuat prediksi atau keputusan tertentu, sehingga meningkatkan transparansi dan kepercayaan pengguna. Salah satu metode XAI yang terkemuka adalah SHAP (SHapley Additive exPlanations). SHAP bekerja dengan mengukur seberapa besar setiap faktor input (misalnya, usia, berat badan, riwayat keluarga) berkontribusi pada hasil prediksi AI. Ini membantu pengguna memahami faktor mana yang paling berpengaruh, baik secara positif maupun negatif, terhadap risiko diabetes mereka.

      Namun, output langsung dari metode XAI seperti SHAP seringkali masih terlalu teknis untuk dipahami oleh masyarakat umum. Grafik seperti waterfall plots atau force plots dari pustaka XAI mungkin informatif bagi ilmuwan data, tetapi dapat sangat membingungkan bagi pasien. Penelitian menunjukkan bahwa visualisasi yang lebih familiar seperti diagram batang (bar charts) dan diagram lingkaran (pie charts) jauh lebih mudah dipahami karena mengurangi beban kognitif. Kombinasi visualisasi yang sederhana ini dengan narasi tekstual yang dihasilkan oleh Model Bahasa Besar (LLM) terbukti menjadi pendekatan paling efektif untuk meningkatkan pemahaman pengguna.

Inovasi Antarmuka Mobile: Menghadirkan Hasil XAI yang Mudah Dipahami

      Menyadari tantangan ini, penelitian dari Bandung Institute of Technology mengembangkan front-end aplikasi mobile yang dirancang khusus untuk menyajikan analisis risiko diabetes berbasis XAI dalam format yang intuitif dan mudah dipahami. Proyek ini mengikuti metodologi pengembangan waterfall, mulai dari analisis kebutuhan, perancangan antarmuka, implementasi, hingga pengujian dan evaluasi.

      Tahap analisis kebutuhan melibatkan survei ekstensif terhadap calon pengguna untuk mengidentifikasi tantangan utama mereka, yaitu ketidakpastian akurasi informasi kesehatan, kesulitan mendapatkan rekomendasi relevan, dan kesulitan memahami presentasi data yang kompleks. Berdasarkan umpan balik pengguna, aplikasi ini mengadopsi dua jenis visualisasi utama: diagram batang dan diagram lingkaran. Kedua jenis grafik ini dipilih karena kemudahannya dalam menyampaikan kontribusi setiap faktor risiko terhadap prediksi AI.

      Yang membuat aplikasi ini inovatif adalah integrasinya dengan GPT-4o untuk menghasilkan narasi tekstual yang personal. Jadi, selain melihat grafik, pengguna juga menerima penjelasan dalam bahasa alami yang menguraikan faktor-faktor risiko mereka dan implikasinya. Aplikasi prototipe ini dikembangkan secara native untuk Android menggunakan Kotlin dan Jetpack Compose, menginterpretasikan data SHAP menjadi visualisasi grafis dan narasi yang mudah diakses. Dalam konteks yang lebih luas, solusi teknologi kesehatan seperti Self-Check Health Kiosk dari ARSA Technology juga memanfaatkan AI dan IoT untuk pengukuran tanda vital mandiri, menunjukkan komitmen terhadap inovasi dalam bidang kesehatan.

Dampak Nyata: Meningkatkan Pemahaman Pengguna dan Aksi Pencegahan

      Evaluasi komprehensif terhadap prototipe aplikasi ini mengonfirmasi bahwa tujuan penelitian tercapai. Pengujian pemahaman pengguna, yang dilakukan melalui skala Likert dan wawancara, menunjukkan peningkatan yang signifikan. Kombinasi visualisasi yang sederhana dan narasi tekstual yang dihasilkan secara personal terbukti sangat efektif dalam meningkatkan pemahaman pengguna, dengan skor rata-rata 4.31 dari 5. Selain itu, pengujian fungsionalitas teknis juga mencapai tingkat keberhasilan 100%, membuktikan keandalan aplikasi.

      Keberhasilan ini sangat berarti. Ketika pengguna dapat dengan jelas memahami mengapa mereka memiliki risiko diabetes tertentu, mereka lebih cenderung untuk mengambil tindakan pencegahan yang tepat. Ini memberdayakan individu untuk membuat keputusan kesehatan yang lebih baik, mengurangi beban emosional dan finansial yang terkait dengan diabetes. Solusi seperti ini tidak hanya meningkatkan literasi kesehatan tetapi juga mendorong gaya hidup yang lebih sehat. Dalam domain yang lebih luas, pengembangan solusi teknologi kesehatan yang mudah diakses dan dipahami merupakan kunci untuk mewujudkan masyarakat yang lebih sehat dan berdaya.

Peran Teknologi AI & IoT dalam Solusi Kesehatan Komprehensif

      Meskipun penelitian ini berfokus pada pengembangan front-end aplikasi untuk Explainable AI, fondasi kecerdasan buatan yang kuat sangat penting untuk setiap solusi kesehatan yang andal. Perusahaan teknologi seperti ARSA Technology, dengan keahliannya dalam menyediakan API AI dan solusi IoT, dapat berperan sebagai mitra strategis dalam menyediakan infrastruktur AI yang andal di balik aplikasi kesehatan semacam ini. Mulai dari sistem pengenalan wajah untuk identifikasi pengguna, deteksi anomali untuk memantau perubahan kondisi, hingga integrasi sensor IoT untuk pengumpulan data vital yang akurat, teknologi AI dan IoT adalah tulang punggung inovasi di sektor kesehatan.

      Pendekatan edge computing yang diusung oleh ARSA Technology, misalnya melalui seri AI Box mereka, memastikan pemrosesan data sensitif dilakukan secara on-premise, mengurangi ketergantungan pada cloud, dan menjaga privasi data. Hal ini sangat relevan dalam aplikasi kesehatan, di mana keamanan dan privasi informasi pribadi pasien adalah prioritas utama. Dengan solusi yang terukur, akurat, dan berfokus pada privasi, teknologi AI dan IoT bukan hanya alat, tetapi pendorong utama transformasi layanan kesehatan menjadi lebih responsif dan berpusat pada pasien.

      Penelitian ini, dengan fokusnya pada XAI dan antarmuka pengguna yang intuitif, membuka jalan bagi pengembangan aplikasi kesehatan masa depan yang tidak hanya cerdas dalam prediksinya, tetapi juga transparan dan mudah dipahami oleh setiap individu. Ini adalah langkah krusial menuju era di mana AI benar-benar memberdayakan pengguna untuk mengelola kesehatan mereka secara proaktif.

      ---

Sumber Asli:

      Bernardus Willson, Henry Anand Septian Radityo, Raynard Tanadi, Latifa Dwiyanti, and Saiful Akbar. (2025). A Mobile Application Front-End for Presenting Explainable AI Results in Diabetes Risk Estimation. arXiv:2601.15292v1 [cs.HC]. Tersedia di: https://arxiv.org/abs/2601.15292

      ***

      Apakah Anda tertarik untuk mengembangkan solusi AI dan IoT yang transparan dan berdampak untuk industri kesehatan atau sektor lainnya? Jelajahi berbagai solusi AI dan IoT dari ARSA Technology dan minta konsultasi gratis dengan tim kami untuk mewujudkan transformasi digital Anda.