Fakultas Kesehatan Masyarakat (FKM) Universitas Indonesia (UI) kembali menyelenggarakan Sidang Promosi Doktor sebagai bagian dari komitmen akademik dalam mendorong pengembangan ilmu di bidang kesehatan masyarakat. Kamis, 20 Juni 2026, bertempat di Ruang Promosi Doktor Gedung G FKM UI, Aqsha Azhari Nur secara resmi menjalani sidang terbuka untuk mempertahankan disertasinya dalam rangka menyelesaikan studi pada Program Studi Doktor Ilmu Kesehatan Masyarakat FKM UI. Sidang promosi doktor dipimpin oleh Prof. dr. Purnawan Junadi, M.P.H., Ph.D.
Melalui disertasinya yang berjudul, “Model Pembelajaran Mesin untuk Skrining Risiko Diabetes Melitus Tipe 2 di Populasi Indonesia”, Aqsha menyoroti urgensi skrining dini terhadap Diabetes Melitus Tipe 2 (DMT2) di Indonesia. Berdasarkan data terbaru, prevalensi DMT2 di Indonesia mencapai 11,7 persen, dengan lebih dari 70 persen kasus belum terdiagnosis. “Pemerintah sebenarnya telah menjalankan program deteksi dini melalui Pos Pembinaan Terpadu (Posbindu) Penyakit Tidak Menular (PTM) serta Fasilitas Kesehatan Tingkat Pertama (FKTP) dalam program Jaminan Kesehatan Nasional (JKN). Namun, tantangan tetap besar, hanya sekitar 42 juta dari 95,9 juta sasaran skrining PTM Kementerian Kesehatan yang tercapai pada tahun 2023,” papar Aqsha.
Ia mengidentifikasi sejumlah kendala dalam skrining konvensional, seperti besarnya jumlah sasaran, keterbatasan sumber daya, dan rendahnya partisipasi masyarakat. Dalam hal ini, teknologi pembelajaran mesin (Machine Learning/ML) dinilai memiliki potensi besar untuk mengoptimalkan deteksi dini. “Model prediksi ML mampu mengolah data dalam jumlah besar dan mengidentifikasi individu berisiko tinggi secara lebih akurat,” jelas Aqsha. Model ini juga dapat disesuaikan dengan karakteristik lokal, sehingga lebih presisi dibanding metode skoring tradisional.
Penelitian Aqsha bertujuan mengembangkan model ML untuk mengoptimalkan skrining DMT2 di populasi Indonesia dan diintegrasikan ke program nasional serta aplikasi digital Kemenkes dan BPJS Kesehatan. Penelitian dilakukan dalam tiga fase observasional menggunakan dua basis data: kohor PTM (n=5.010) dan ASIK (n=8.147.932). Model LightGBM (ASIK) menunjukkan performa terbaik dengan AUC 0,90. Terdapat lima variabel utama yaitu usia, tekanan darah sistolik, aktivitas fisik, riwayat keluarga DMT2, dan konsumsi sayur/buah. Validasi eksternal dengan data ASIK 2023 (n=24.735.050) menghasilkan AUC 0,90, sensitivitas 0,80, dan spesifisitas 0,80. Uji coba di dua Puskesmas juga menunjukkan hasil diagnostik yang konsisten dan skor kelayakan sistem baik (SUS 72,5).
Hasil ini menunjukkan bahwa model skrining berbasis pembelajaran mesin yang dikembangkan terbukti akurat dan layak diterapkan. Secara praktis, model ini hanya memerlukan lima variabel non-laboratorium, sehingga memungkinkan penerapan di layanan primer, khususnya di daerah dengan sumber daya terbatas. “Model ini berpeluang untuk diintegrasikan ke dalam platform digital nasional seperti SatuSehat dan aplikasi JKN Mobile, baik untuk skrining mandiri oleh masyarakat maupun digunakan oleh tenaga kesehatan,” jelas Aqsha. Dari sisi kebijakan, integrasi model ini diharapkan dapat memperkuat pelaksanaan program nasional seperti Posbindu PTM dan self-assessment JKN, serta mendukung intervensi dini yang lebih efisien dan terarah.
Meski menjanjikan, Aqsha menyoroti sejumlah tantangan implementasi model. Isu perlindungan data pribadi menjadi krusial karena model melibatkan data sensitif seperti usia, tekanan darah, dan riwayat keluarga. Tantangan lain mencakup rendahnya literasi digital dan keterbatasan akses teknologi, terutama di kalangan lansia dan daerah terpencil, serta masalah interoperabilitas antar platform seperti JKN Mobile, ASIK, dan SatuSehat. “Tanpa integrasi yang baik, terdapat risiko duplikasi input atau kebingungan pengguna,” ujarnya. Ia juga menekankan pentingnya dukungan pembiayaan, infrastruktur digital, dan perubahan budaya kerja di fasilitas kesehatan untuk menunjang penerapan sistem secara menyeluruh.
Sebagai rekomendasi, Aqsha mendorong Kementerian Kesehatan, BPJS Kesehatan, dan Dinas Kesehatan, untuk mengintegrasikan model pembelajaran mesin ke dalam panduan skrining diabetes di layanan primer, disertai alokasi dana dan regulasi pendukung, termasuk perlindungan data pribadi. Kolaborasi dengan pengembang aplikasi seperti SatuSehat dan JKN Mobile dinilai penting agar masyarakat dapat melakukan skrining mandiri, dengan interoperabilitas antar aplikasi untuk menghindari pengisian data berulang. Kepada masyarakat, Aqsha menekankan pentingnya peningkatan kesadaran akan deteksi dini DMT2 dan literasi digital. “Masyarakat juga perlu mendapatkan umpan balik yang jelas terkait faktor risiko yang dapat dimodifikasi, seperti pola makan dan aktivitas fisik,” tutupnya.
Komitmennya dalam menjawab tantangan skrining dini diabetes melalui pendekatan ilmiah dan teknologi membawanya meraih pencapaian akademik tertinggi. Aqsha Azhari Nur dinyatakan lulus sebagai Doktor dalam bidang Ilmu Kesehatan Masyarakat dengan IPK 4.00 dan meraih predikat summa cumlaude. Ia menjadi lulusan ke-10 Program Studi S3 Ilmu Kesehatan Masyarakat FKM UI tahun 2025, lulusan ke-45 Program Doktor FKM UI tahun 2025, serta secara keseluruhan tercatat sebagai lulusan doktor FKM UI ke-348.
Selama menjalani penelitiannya, Aqsha Azhari Nur dibimbing oleh promotor Prof. dr. Adang Bachtiar, M.P.H., D.Sc., dengan dukungan dua kopromotor, yakni Prof. dr. Dante Saksono Harbuwono, SpPD-KEMD., Ph.D., yang juga Wakil Menteri Kesehatan RI dan Dr. drg. Sri Ratna Laksmiastuti, Sp.KGA. Prof. Adang menyampaikan apresiasi atas kebaruan disertasi Dr. Aqsha yang menghadirkan model skrining AI/ML pertama di Indonesia, dikembangkan dari data populasi nasional dan tervalidasi eksternal dengan big data >20 juta individu. Model ini dinilai praktis, layak diterapkan di layanan primer, dan berpotensi diintegrasikan dalam program pemerintah.
Hadir jajaran penguji lainnya pada sidang ini, meliputi Prof. Dr. dr. Ratna Djuwita, M.P.H.; Prof. Dr.Eng. Wisnu Jatmiko, S.T., M.Kom.; Dr. rer. medic. drg. Dwi Gayatri, M.P.H.; Prof. dr. Ali Ghufron Mukti, M.Sc., Ph.D.; serta Prof. Dr. dr. Rizanda Machmud, M.Kes., FISPH., FISCM., Sp.KKLP Subsp. FOMC. (DFD)