Depok, 29 Juni 2026 – Fakultas Kesehatan Masyarakat Universitas Indonesia (FKM UI) kembali melahirkan doktor yang berkontribusi terhadap pengembangan ilmu kesehatan masyarakat berbasis data. Dalam sidang terbuka promosi doktor Program Studi Doktor Ilmu Kesehatan Masyarakat, Restu Octasila berhasil mempertahankan disertasinya yang mengangkat pemanfaatan machine learning untuk memprediksi kesintasan hidup bayi di Indonesia melalui pendekatan yang lebih presisi dan berbasis karakteristik wilayah.
Penelitian berjudul “Prediksi dan Proyeksi Kesintasan Hidup Bayi Berbasis Machine learning Berdasarkan Klasterisasi Provinsi” yang dilakukan Restu ini berangkat dari masih tingginya disparitas angka kematian bayi di Indonesia. Meskipun Angka Kematian Bayi (AKB) nasional terus menurun, kesenjangan antarwilayah masih menjadi tantangan besar dalam pencapaian target pembangunan kesehatan. Berdasarkan kondisi tersebut, Restu mengembangkan model prediksi yang tidak hanya mengidentifikasi faktor risiko kematian bayi, tetapi juga mampu memproyeksikan dampak berbagai skenario intervensi kebijakan secara lebih akurat.
Penelitian ini menggunakan data Survei Demografi dan Kesehatan Indonesia (SDKI) 2017 terhadap 13.553 bayi yang berasal dari 34 provinsi di Indonesia. Melalui lima tahapan penelitian yang meliputi systematic literature review, analisis survival, klasterisasi wilayah menggunakan algoritme K-Modes, pengembangan model machine learning, hingga simulasi proyeksi kebijakan, penelitian ini menghasilkan pendekatan baru dalam memetakan risiko kematian bayi berdasarkan karakteristik masing-masing wilayah.
Hasil penelitian menunjukkan terdapat enam determinan utama yang berpengaruh terhadap kesintasan hidup bayi di Indonesia, yaitu berat badan lahir, kecukupan kunjungan antenatal care (ANC), jumlah kelahiran (paritas), jarak kelahiran, usia ibu saat melahirkan, serta jenis pekerjaan ibu. Salah satu temuan penting adalah bahwa bayi yang tidak memiliki catatan berat badan lahir justru memiliki risiko kematian lebih tinggi dibandingkan bayi dengan berat badan lahir rendah. Temuan ini mengindikasikan bahwa belum tercatatnya berat badan lahir merupakan refleksi dari masih terbatasnya akses terhadap pelayanan kesehatan yang memadai sejak proses persalinan.
Sebagai inovasi utama, penelitian ini mengelompokkan provinsi di Indonesia ke dalam dua klaster berdasarkan karakteristik determinan kesehatan. Klaster pertama didominasi provinsi dengan tantangan pada aspek kualitas pelayanan kesehatan, sedangkan klaster kedua terdiri atas provinsi yang masih menghadapi tantangan akses layanan kesehatan dan infrastruktur dasar. Pendekatan ini menunjukkan bahwa kebijakan nasional yang seragam belum tentu efektif diterapkan di seluruh wilayah Indonesia, sehingga dibutuhkan strategi intervensi yang lebih spesifik sesuai karakteristik masing-masing daerah.
Dalam pengembangan model prediksi, Restu membandingkan sembilan algoritme machine learning. Hasilnya, Light Gradient Boosting Machine (LightGBM) menjadi model dengan performa terbaik pada kedua klaster, dengan nilai AUC mencapai 0,94 serta tingkat sensitivitas yang tinggi dalam mengidentifikasi bayi berisiko. Model ini dinilai mampu memberikan prediksi yang lebih akurat dibandingkan pendekatan statistik konvensional sehingga berpotensi dimanfaatkan sebagai sistem skrining dini dalam pelayanan kesehatan ibu dan anak.
Penelitian ini juga melakukan simulasi berbagai skenario intervensi kebijakan. Hasil proyeksi menunjukkan bahwa peningkatan status gizi ibu hamil untuk menurunkan kejadian bayi berat lahir rendah, penguatan pelayanan antenatal, perluasan perlindungan bagi ibu bekerja, hingga penguatan program keluarga berencana berpotensi meningkatkan probabilitas kesintasan bayi sekaligus memperkecil kesenjangan antarwilayah di Indonesia.
Selain memberikan kontribusi metodologis melalui integrasi analisis survival, klasterisasi, dan machine learning, penelitian ini juga menawarkan rekomendasi kebijakan yang aplikatif. Di tingkat nasional, model yang dikembangkan direkomendasikan untuk diintegrasikan ke dalam platform SATU SEHAT sebagai sistem skrining risiko otomatis sejak kunjungan antenatal pertama. Sementara di tingkat daerah, hasil penelitian dapat dimanfaatkan oleh pemerintah daerah untuk menyusun peta risiko berbasis kecamatan sehingga intervensi kesehatan ibu dan anak dapat dilakukan secara lebih tepat sasaran.
Sidang promosi doktor ini berlangsung di hadapan tim penguji yang terdiri atas Dr. Mila Herdiyati, S.K.M., M.Si. selaku Ketua Penguji, dengan anggota Prof. Dr. Drs. Tris Eryando, M.A.; Dr. Soedibyo Alimoeso, M.A.; Dr. dr. Teti Tejayanti, M.K.M.; Dr. Ade Jubaedah, S.SiT., M.M., M.K.M.; Dr. Ariyanto Nugroho, dan Dr. Laode Muhammad Rasidi Rere. Restu Octasila menyelesaikan disertasinya di bawah bimbingan Prof. Dr. Besral, S.K.M., M.Sc. selaku Promotor serta Prof. dr. Kemal Nazaruddin Siregar, S.K.M., M.A., Ph.D. selaku Ko-promotor.
Melalui capaian tersebut, FKM UI kembali menegaskan komitmennya dalam menghasilkan penelitian berkualitas yang tidak hanya memperkaya khazanah keilmuan, tetapi juga memberikan solusi inovatif bagi berbagai tantangan kesehatan masyarakat. Pemanfaatan teknologi machine learning dalam penelitian ini diharapkan dapat mendukung transformasi sistem kesehatan Indonesia menuju pelayanan yang lebih prediktif, tepat sasaran, dan berbasis bukti. (wrk)