Penerapan Kecerdasan Artifisial dalam Konteks dan Konsep Pusat (Telaga) Data Kesehatan Indonesia
𝚃𝚎𝚔𝚗𝚘𝚕𝚘𝚐𝚒 𝚔𝚎𝚜𝚎𝚑𝚊𝚝𝚊𝚗 𝚊𝚍𝚊𝚕𝚊𝚑 𝚜𝚊𝚕𝚊𝚑 𝚜𝚊𝚝𝚞 𝚏𝚘𝚔𝚞𝚜 𝚞𝚝𝚊𝚖𝚊 𝚍𝚊𝚛𝚒 𝚞𝚙𝚊𝚢𝚊 𝚔𝚘𝚗𝚜𝚝𝚛𝚞𝚔𝚝𝚒𝚏 𝚋𝚎𝚛𝚋𝚊𝚐𝚊𝚒 𝚙𝚞𝚜𝚊𝚝 𝚛𝚒𝚜𝚎𝚝 𝚍𝚞𝚗𝚒𝚊 𝚍𝚊𝚕𝚊𝚖 𝚞𝚙𝚊𝚢𝚊 𝚖𝚎𝚗𝚒𝚗𝚐𝚔𝚊𝚝𝚔𝚊𝚗 𝚔𝚞𝚊𝚕𝚒𝚝𝚊𝚜 𝚑𝚒𝚍𝚞𝚙 𝚖𝚊𝚗𝚞𝚜𝚒𝚊. 𝚂𝚊𝚊𝚝 𝚒𝚗𝚒, 𝚜𝚎𝚒𝚛𝚒𝚗𝚐 𝚍𝚎𝚗𝚐𝚊𝚗 𝚍𝚒𝚗𝚊𝚖𝚒𝚔𝚊 𝚙𝚎𝚛𝚔𝚎𝚖𝚋𝚊𝚗𝚐𝚊𝚗 𝚛𝚒𝚜𝚎𝚝 𝚖𝚞𝚕𝚝𝚒 𝚍𝚒𝚜𝚒𝚙𝚕𝚒𝚗, 𝚝𝚎𝚗𝚝𝚞 𝚜𝚊𝚓𝚊 𝚝𝚎𝚔𝚗𝚘𝚕𝚘𝚐𝚒 𝚔𝚎𝚌𝚎𝚛𝚍𝚊𝚜𝚊𝚗 𝚊𝚛𝚝𝚒𝚏𝚒𝚜𝚒𝚊𝚕 𝚍𝚊𝚗 𝚝𝚎𝚔𝚗𝚘𝚕𝚘𝚐𝚒 𝚐𝚎𝚗𝚘𝚖𝚒𝚔 𝚖𝚎𝚗𝚍𝚊𝚙𝚊𝚝 𝚝𝚎𝚖𝚙𝚊𝚝 𝚍𝚒 𝚙𝚊𝚗𝚐𝚐𝚞𝚗𝚐 𝚞𝚝𝚊𝚖𝚊.
Rapid technological advancement in high-throughput genomics, microarray, and deep sequencing technologies has accelerated the possibility of more complex precision medicine research using large amounts of heterogeneous health-related data from patients, including genomic variants. Genomic variants can be identified and annotated based on the reference human genome either within the sequence as a whole or in a putative functional genomic element. ( 𝙵𝚒𝚔𝚛𝚒 𝙷𝙷 𝚎𝚝 𝚊𝚕, 2023)
Lalu bagaimana dengan kondisi di tanah air? Dengan keberadaan pusat-pusat riset di perguruan tinggi nasional, industri healthcare, jasa layanan medis garda depan, industri farmasi dan alat kesehatan, serta di lingkungan Badan Riset dan Inovasi Nasional (BRIN), maka peluang untuk mengembangkan teknologi kesehatan berbasis kecerdasan artifisial (KA) terbuka lebar. Terlebih saat ini teknologi KA masih dalam tahap tumbuh dan berkembang, sehingga masih menyediakan banyak ruang bagi lahirnya inovasi dan fungsi unik untuk mengakomodir berbagai solusi yang tepat untuk berbagai masalah endemik.
Masalah kongkret yang dihadapi Indonesia, negara dengan 17.904 pulau berluas 5,8 juta km², dengan jumlah penduduk mencapai 281,2 juta jiwa adalah cukup kompleksnya proses untuk mendistribusikan kualitas pelayanan kesehatan ke segenap penjuru wilayah negeri. Disamping tentu saja ada persoalan kesehatan yang bersifat multi dimensi dan skala, mulai dari tingkatan individual sampai di level komunal, mulai dari lingkup lokal, nasional, regional, sampai global.
Berdasarkan Riset Kesehatan Dasar (Riskesdas) 2018, Indonesia menghadapi beban ganda kesehatan: 21,8% balita mengalami stunting, sementara prevalensi diabetes melonjak 10,9% pada usia dewasa. Di sisi lain, defisit BPJS Kesehatan yang mencapai Rp20 triliun pada 2023 (Laporan Keuangan BPJS) dan inflasi biaya kesehatan sebesar 8,2% (Bank Indonesia, 2023) mempertegas urgensi efisiensi sistem.
Dalam konteks inilah, Pusat Data Kesehatan Indonesia (PDKI) di bawah Pusat Data Nasional dirancang sebagai tulang punggung transformasi kesehatan berbasis data dan kecerdasan artifisial (AI).
Sebelum PDKI dapat beroperasi, Indonesia perlu membangun dan mengembangkan Indonesia Edge Health Technology, sebuah paradigma yang memadukan alat kesehatan (Alkes) cerdas, komputasi tepi (edge computing), dan AI terdistribusi untuk menjawab tantangan geografis.
Secara teknis, konsep di atas dapat diawali dengan integrasi Alkes dengan AI di Fasilitas Kesehatan Primer (FKTP), misal dengan penyediaan sistem asiatensi diagnosis cerdas seperti Portable X-Ray DDR dengan on-device AI (seperti Qure.ai) digunakan di 5.000 puskesmas terpencil untuk skrining tuberkulosis (TB). Alat ini mampu menganalisis citra paru dalam 2 menit tanpa koneksi internet, mengatasi keterbatasan ahli radiologi yang hanya 6 per 1 juta penduduk (Data Kemenkes, 2023). Smart EKG Portable terintegrasi algoritma deep learning (CNN) untuk deteksi kelainan jantung seperti aritmia atau PJK di FKTP/Puskesmas, mengurangi rujukan yang tidak perlu ke rumah sakit.
Sistem asisten diagnosis terdistribusi dapat dikembangkan melalui jaringan 5G Health Grid yang didukung Telkomsel dan Huawei misalnya, atau Starlink dengan konstelasi satelit LEOnya, dimana 27.000 FKTP dan RS rujukan terhubung dalam sistem diagnosis kolaboratif. Contoh: dokter puskesmas di Nabire dapat berkonsultasi real-time dengan spesialis jantung di Jakarta sambil menganalisis lanjut data EKG pasien yang telah dianalisis oleh AI yang langsung embedded pada device, edge technology.
Dapat dikembangkan pula sistem interoperabilitas BPJS dalam rantai layanan.
Sistem Smart Prior Authorization dapat didesain untuk menghubungkan klaim BPJS dengan algoritma prediktif untuk:
– Otomasi persetujuan rujukan berdasarkan kriteria klinis (mengurangi antrean 40%)
– Deteksi klaim fiktif dengan akurasi 92% melalui analisis pola 1,7 juta klaim/hari
Pada gilirannya Pusat Data Kesehatan Indonesia dapat dikembangkan untuk menyatukan 9 Pilar Data Nasional. Di mana PDKI tidak hanya sekadar data storage belaka, tetapi merupakan ekosistem analitik yang mengintegrasikan berbagai sumber data dan fungsi spesifiknya.
Pusat Data Kesehatan Indonesia (PDKI) dirancang sebagai episentrum analitik yang mengintegrasikan sembilan pilar data strategis nasional, masing-masing dengan peran unik dalam membentuk ekosistem kesehatan berbasis bukti. Berikut elaborasi kontribusi setiap sumber data secara naratif:
Kementerian Kesehatan RI (Kemenkes) menjadi penyedia data inti kesehatan masyarakat, mencakup surveilans stunting di 514 kabupaten, cakupan imunisasi, dan pemantauan penyakit menular seperti tuberkulosis dan DBD, serta penyakit tidak menular yang sebagian di antaranya bersifat katastropik. Data Riskesdas 2018 yang menunjukkan 21,8% balita stunting menjadi landasan intervensi spesifik di PDKI. Kemenkes juga menyuplai informasi real-time tentang distribusi tenaga kesehatan, termasuk rasio tenaga spesialis seperti radiolog yang hanya 6 per 1 juta penduduk, mengungkap kesenjangan layanan di daerah terpencil.
Data terbaru dari Riset Kesehatan Dasar (Riskesdas) adalah yang terintegrasi dalam Survei Kesehatan Indonesia (SKI) 2023. SKI 2023 menggabungkan Riskesdas dan Survei Status Gizi Balita Indonesia (SSGI).
Badan Pusat Statistik (BPS) memperkaya PDKI dengan lapisan data sosial-ekonomi melalui Survei Sosial Ekonomi Nasional (Susenas) dan Survei Lingkungan Hidup (SLHD). Contohnya, data SLHD 2023 tentang akses air bersih di NTT yang hanya 45% rumah tangga dikorelasikan dengan kasus diare kronis dalam rekam medis BPJS. Profil demografi BPS juga membantu memetakan daerah dengan risiko gizi buruk berdasarkan tingkat kemiskinan (9,36% penduduk miskin per Maret 2024).
BPJS Kesehatan menyumbang 442 miliar data klaim rawat jalan dan inap sejak 2014, membentuk peta morbiditas nasional. Analisis pola klaim ini mengungkap lonjakan hipertensi di kalangan pekerja perkotaan (23% kasus pada usia 30-45 tahun) dan ketimpangan akses layanan kanker antara Jawa dan Papua. PDKI memanfaatkannya untuk mengoptimalkan sistem rujukan dan alokasi anggaran.
BPJS Ketenagakerjaan memberikan perspektif unik tentang hubungan kondisi kerja dan kesehatan. Data menunjukkan 32% pekerja konstruksi menderita gangguan muskuloskeletal, sementara 18% pekerja pabrik terpapar bahan kimia berisiko. Informasi ini menjadi dasar program pencegahan penyakit akibat kerja (PAK) yang terintegrasi dengan dinas tenaga kerja daerah.
Kementerian Keuangan RI (Kemenkeu) menghubungkan alokasi APBN kesehatan sebesar Rp169,8 triliun (2024) dengan outcome pelayanan. PDKI menganalisis efektivitas belanja, seperti anggaran stunting Rp30 triliun yang berhasil menurunkan prevalensi 3% di Nusa Tenggara. Data pajak dan cukai juga dikaji untuk menilai dampak ekonomi penyakit terkait merokok misalnya. Dan tentu saja data ekonomi umum seperti daya beli (purchasing power parity), indeks harga konsumen, laju inflasi, proporsi alokasi anggaran belanja negara untuk sektor kesehatan dan penyediaan sumber daya (termasuk manusia, bekerjasama dengan Kementerian Sainstekdikti) yang amat penting dalam menganalisis kapasitas pelayanan kesehatan nasional secara makro.
Bank Indonesia (BI) menyediakan analisis makro seperti inflasi biaya kesehatan (8,2% pada 2023) dan dampak ekonomi penyakit kronis. Kajian BI 2023 mengungkap bahwa penurunan 1% angka stunting setara dengan peningkatan PDB Rp15 triliun, memperkuat argumen investasi dalam program gizi berbasis data.
Kementerian Lingkungan Hidup dan Kehutanan (LHK) menghubungkan determinan lingkungan dengan beban penyakit. Data Indeks Standar Pencemaran Udara (ISPU) di Jakarta yang kerap mencapai level “tidak sehat” dikaitkan dengan peningkatan 22% klaim ISPA di BPJS. Juga berbagai gangguan kesehagab terkait dengan kondisi kejiwaan (psikiatri). Informasi deforestasibdi Kalimantan juga dapat digunakan untuk memprediksi resiko zoonosis, dan munculnya aneka patogen baru seperti virus dan mikroba lainnya.
Pemerintah Daerah menyuplai data hiperlokal yang tidak tercakup dalam survei nasional. Misalnya, Dinas Kesehatan Lombok Timur mendokumentasikan 120 kasus keracunan pangan tahun 2023 terkait praktik higiene pasar tradisional, sementara data DKI Jakarta mengungkap korelasi antara polusi suara dan gangguan tidur pada warga dekat bandara, dll.
Satu Data Indonesia dapat bertindak sebagai “penjaga gerbang” interoperabilitas dengan menyediakan standar metadata, skema API, dan protokol keamanan. Platform ini memastikan data dari Kemenkes yang menggunakan kode ICD-10 dapat terintegrasi dengan data BPJS yang menggunakan kode INA-CBGs, memungkinkan analisis biaya-efektivitas pengobatan kanker payudara di 50 rumah sakit rujukan.
Sinergi Antarpilar
PDKI dirancang tidak hanya untuk mengumpulkan, menyimpan, dan menganalisis data, tetapi dapat menciptakan narasi kausalitas multidimensi. Contohnya, data polusi udara (LHK) di Cilegon dikombinasikan dengan klaim ISPA (BPJS), profil pekerja pabrik (BPJS Ketenagakerjaan), dan data kemiskinan (BPS) untuk merancang program pencegasan bronkitis kronis berbasis lokasi. Di tingkat makro, inflasi biaya kesehatan (BI) dikaji bersama defisit BPJS dan APBN Kemenkeu untuk merumuskan kebijakan pembiayaan berkelanjutan.
Dengan integrasi ini, PDKI dapat menjadi
“living ecosystem” di mana setiap byte data dapat ditransformasi menjadi aksi nyata: dari alokasi sistem diagnosis cerdas di daerah terpencil hingga kebijakan fiskal yang menyelamatkan generasi penerus bangsa dari potensi berbagai masalah kesehatan seperti malnutrisi (stunting, obesitas, dll), juga kerentanan terhadap penyakit yang dapat menghambat proses tumbuh kembang dan produktivitas individu.
Kecerdasan Artifisial di PDKI: Dari Prediksi hingga Aksi
Prediksi Krisis Kesehatan dengan Graph Neural Networks (GNN)
Dengan memadukan data mobilitas penduduk (seluler), curah hujan (BMKG), dan riwayat penyakit epidemik seperti DBD (Kemenkes), GNN mampu memprediksi wabah, misal DBD 3 bulan sebelumnya di 25 kabupaten endemik dengan tingkat kurasi, misal 89%. Maka tindakan preventif dapat dilakukan dengan tepat, misal fogging dan pelepasan nyamuk ber-Wolbachia. Dalam konteks fogging misalnya, dapat mengoptimalkan distribusi fogging ke ribuan kelurahan prioritas
Outcome: Penurunan dengan prosentase signifikan kasus wabah di kabupaten, kota, dan propinsi tertentu.
Federated Learning, misal untuk penelitian epidemiologi neoplasma atau kanker, dimana PDKI dapat mengoordinasikan data dari puluhan RS pelayanan kanker dengan model federated learning, di mana;
– Data genetik pasien tetap di server lokal rumah sakit
– Model global dilatih secara terdistribusi untuk prediksi respons kemoterapi (contoh)
Outcome: Akurasi prediksi kanker payudara meningkat 40% tanpa melanggar UU PDP. (contoh)
Generative AI untuk Pelatihan Tenaga Kesehatan
Menggunakan diffusion models, PDKI dapat menghasilkan:
– Simulasi pasien virtual berbasis profil epidemiologi daerah
– Konten edukasi kesehatan yang disesuaikan dengan budaya lokal (misal: menggunakan budaya wayang dalam konten untuk Jawa Tengah)
– Optimasi efek echo chamber dll dalam memagnifikasi impak program edukasi kesehatan melalui media sosial.
Kajian dan contoh yang lebih komprehensif terkait dengan penerapan/implementasi kecerdasan artifisial di konsep Pusat Data Kesehatan Indonesia antara lain dapat disimak melalui paparan dan contoh-contohnya berikut:
Berikut contoh beberapa model AI yang dapat diimplementasikan dalam National Health Data Lake atau Pusat Data Kesehatan Indonesia beserta outcome yang diharapkan, yang dirancang khusus untuk konteks kesehatan Indonesia:
1. Predictive Analytics dengan Gradient Boosting Machines (GBM): Data historis BPJS (442 miliar klaim), rekam medis pasien kronis (diabetes, jantung), dan data demografi BPS (misal: SUSENAS 2023).
– Arsitektur: Model ensemble learning yang menggabungkan pohon keputusan dengan teknik boosting untuk meminimalkan error prediksi.
– Preprocessing: Normalisasi data menggunakan z-score untuk variabel numerik (tekanan darah, kadar gula) dan one-hot encoding untuk data kategorikal (riwayat keluarga).
Outcome:
– Prediksi risiko individu terhadap penyakit tidak menular (PTM) 6–12 bulan sebelum gejala muncul (akurasi ~85%).
– Rekomendasi pencegahan personalisasi via aplikasi Satu Sehat, mengurangi beban BPJS sebesar 15% untuk klaim PTM.
2. Natural Language Processing (NLP) dengan Model Transformer
– Input Data: Catatan klinis dokter dalam Bahasa Indonesia (dari rekam medis elektronik), laporan lab, dan keluhan pasien di aplikasi telemedicine.
– Arsitektur: Model transformer yang dilatih dengan korpus medis Indonesia untuk ekstraksi entitas (gejala, diagnosa, obat).
– Fine-tuning: Menggunakan framework Hugging Face pada dataset 500.000 catatan medis yang sudah dianonimisasi.
Outcome:
– Automatisasi koding ICD-10 (klasifikasi penyakit) dengan akurasi 92%, mempercepat proses klaim BPJS.
– Deteksi dini wabah dari laporan gejala pasien (misal: demam berdarah) di daerah terpencil melalui analisis teks real-time.
3. Computer Vision dengan Convolutional Neural Networks (CNN)
– Input Data: Citra X-Ray paru (untuk TB) dan foto fundus retina (untuk diabetes retinopati) dari alat radiologi portabel di puskesmas, atau citra mikroskopis untuk PA-PK-Mikrobiologi-Parasitologi.
– Arsitektur: CNN dengan arsitektur EfficientNet-B4 yang dioptimalkan untuk perangkat edge (Raspberry Pi) di daerah terpencil.
– Training: Transfer learning menggunakan dataset Chest X-Ray (100.000+ gambar) dan augmentasi data untuk kondisi lokal.
Outcome (contoh):
– Skrining TB dalam <2 menit dengan sensitivitas 98%, mengurangi waktu diagnosa dari 2 minggu (kultur dahak) menjadi 1 hari.
– Deteksi komplikasi diabetes pada mata di 10.000 puskesmas prioritas, menurunkan kebutaan akibat diabetes sebesar 40%.
CNN, RNN, dan berbagai model Deep Learning lainnya dapat digunakan untuk menganalisa data genomik dari program BGSI dan mengintegrasikannya dengan data epidemiologi dan penunjang seperti ekonomi dll untuk membangun sistem prediktif yang akurat yang sangat berharga dalam upaya menciptakan strategi kesehatan nasional yang presisi.
4. Clustering dengan K-Means++
– Input Data: Data stunting (tinggi/berat badan balita dari e-PPGBM), kondisi sanitasi (BPS), dan pola konsumsi keluarga (SKDN 2023).
– Algoritma: K-Means++ untuk segmentasi wilayah berdasarkan faktor risiko stunting (gizi, ekonomi, akses air bersih).
– Optimasi: Dimensionality reduction dengan PCA untuk memvisualisasikan klaster dalam 3D.
Outcome (contoh):
– Pemetaan 514 kabupaten ke dalam 5 klaster risiko stunting, memungkinkan intervensi spesifik (misal: suplementasi gizi di klaster merah).
– Alokasi anggaran Kemenkes 30% lebih efisien dengan fokus pada daerah prioritas.
5. Reinforcement Learning (RL) untuk Manajemen Rumah Sakit
– Input Data: Data okupansi tempat tidur RS, waktu tunggu BPJS, dan kapasitas SDM dari SIMRS.
– Arsitektur: Deep Q-Network (DQN) yang mensimulasikan alokasi sumber daya (staf, alat) untuk meminimalkan waktu tunggu.
– Reward Function: Poin diberikan jika waktu layanan <30 menit dan biaya operasional turun 10%.
Outcome:
– Pengurangan waktu tunggu IGD dari 120 menit menjadi 45 menit di RS tipe B dan C.
– Optimalisasi jadwal operasi elektif, meningkatkan utilisasi ruang operasi dari 60% ke 85%.
6. Federated Learning untuk Integrasi Data Privasi
– Input Data (contoh): Data sensitif pasien HIV/AIDS dari klinik VCT dan data genetik yang tersebar di RS penelitian.
– Arsitektur: Model global (misal: neural network) yang dilatih secara terdistribusi di node lokal (rumah sakit) tanpa membagikan data mentah.
– Framework: Menggunakan TensorFlow Federated dengan enkripsi homomorfik untuk agregasi parameter.
Outcome (contoh):
– Prediksi resistensi obat ARV pada pasien HIV tanpa melanggar kerahasiaan data.
– Kolaborasi RS rujukan untuk penelitian kanker dengan tetap mematuhi UU PDP.
7. Graph Neural Networks (GNN) untuk Pemetaan Penyakit (Menular)
– Input Data: Data geotagging pasien (koordinat GPS), mobilitas penduduk (data seluler), dan lingkungan (curah hujan, suhu dari BMKG).
– Arsitektur: GNN yang memodelkan hubungan spasial dan sosial untuk prediksi penyebaran penyakit menular seperti malaria/DBD.
– Tools: Library PyTorch Geometric dengan integrasi QGIS untuk visualisasi.
Outcome:
– Prediksi hotspot penyakit menular seperti DBD 3 bulan sebelumnya di wilayah endemik (misal: Jawa Barat), diprakirakan dapat mengurangi kasus hingga 25%.
– Sistem peringatan dini berbasis pesan di aplikasi chat atau media sosial (WA dll) ke 10 juta penduduk di daerah rawan.
8. Generative AI (Diffusion Models) untuk Data Sintetis
– Input Data (contoh): Data pasien langka (misal: penyakit genetik) yang hanya ada 100–200 sampel di Indonesia.
– Arsitektur: Stable Diffusion yang dimodifikasi untuk menghasilkan data sintetik (rekam medis, citra medis) dengan karakteristik realistis.
– Validasi: Uji statistik Kolmogorov-Smirnov untuk memastikan distribusi sintetik sesuai data asli.
Outcome (contoh):
– Pelatihan model kanker langka (misal: osteosarcoma) dengan akurasi meningkat 35% berkat data sintetik.
– Riset obat lebih cepat tanpa membahayakan pasien nyata.
Outcome Strategis Nasional
1. Interoperabilitas Sistem: Integrasi 27.000 faskes melalui API standar di Data Lake.
2. Penghematan Biaya: BPJS dapat menghemat triliunan rupiah pertahun dari pencegahan fraud dan alokasi sumber daya optimal.
3. Penguatan SDM: Di mana tenaga kesehatan terlatih AI yang belajar melalui platform Plataran Sehat Kemenkes RI yang telah dikembangkan dengan Learning Management System atau LMS yang baik, dapat menjadi tulang punggung reformasi digital kesehatan berbasis KA/AI.
4. Global Benchmark: Indonesia dapat menjadi acuan model pengembangan dan implementasi AI kesehatan di negara berkembang dan BRICS, terutama untuk kasus-kasus spesifik seperti TB dan stunting.
Dampak Ekonomi-Makro: Efisiensi APBN dan Penguatan SDM
Analisis Kemenkeu dan Bank Indonesia menunjukkan dapat diprediksi akan menunjukkan adanya ;
1. Penghematan Biaya Kesehatan Nasional:
– Deteksi dini TB melalui penerapan teknologi (termasuk AI) yang tepat dapat mengurangi biaya pengobatan per pasien dari y juta rupiah (stadium lanjut) menjadi x juta rupiah (deteksi dini) (data prakiraan karena adanya sistem deteksi dini yang akurat).
– Pencegahan fraud BPJS dapat menghemat anggaran sekian triliun/tahun, jika dapat dikelola dengan sistem surveilans dan analisis klaim berbasis AI.
2. Peningkatan Produktivitas:
– Dengan berbagai indikator objektif seperti misal penurunan 1% angka stunting yang setara dengan peningkatan PDB Rp.15 triliun (kajian BI 2023)
– Optimalisasi manajemen RS melalui RL (reinforcement learning) dapat meningkatkan utilisasi dan optimasi sarana dan prasarana perawatan dengan prosentase yang signifikan.
3. Penguatan Ekosistem Kesehatan Digital:
– Ratusan usaha rintisan berbasis teknologi/startup kesehatan dapat berkembang dan berkontribusi di Platform Health GovTech
– Prosentase FKTP/puskesmas di daerah 3T yang terhubung dengan jaringan 5G Health Grid atau internet berbasis low earth orbital satellite akan meningkat pesat.
Terlebih saat ini konektivitas dan keberadaan Pusat Data Nasional telah menjadi prioritas pemerintah Indonesia. Salah satu program nasional untuk meningkatkan konektivitas adalah Palapa Ring.
Proyek Palapa Ring membentang dari Sabang di ujung Barat sampai Merauke di ujung Timur, dengan panjang 12.229 kilometer yang terdiri dari kabel optik darat dan bawah laut, serta segmen jaringan radio microwave sebanyak 55 hop.
Palapa Ring Barat mulai beroperasi sejak Maret 2018 silam. Proyek ini menghadirkan jaringan backbone di 15 titik di bagian Barat RI, mencakup 5 Kota Layanan dan dengan 7 Kota Interkoneksi di bagian barat RI, seperti Dumai, Batam, Siak, Karimun dan wilayah lainnya. Palapa Ring Barat memiliki total panjang kabel fiber optik sepanjang 2.124 km, di mana 1.720 km merupakan panjang kabel bawah laut (submarine) dan 404 km panjang kabel terrestrial.
Palapa Ring Paket Tengah yang telah beroperasi sejak 21 Desember 2018, mencakup 17 kota titik layanan dan 10 kota interkoneksi. Paket ini terdiri dari kabel fiber optik sepanjang 3.102 km (1.798 km kabel fiber optik submarine dan 1.304 km kabel fiber optik terestrial). Kehadirannya melayani jutaan masyarakat yang tinggal di wilayah Tobelo, Kendari, Manado, Ternate dan sekitarnya.
Segmen Palapa Ring Timur meliputi wilayah Indonesia Timur, seperti Papua, Maluku, dan sekitarnya, dengan cakupan 35 kabupaten/kota layanan dan 16 kabupaten/kota interkoneksi. Paket ini mempunya total panjang jaringan 7.003 km (4.557 km kabel fiber optik submarine dan 2.446 km kabel fiber optik darat).
Sedangkan Pusat Data Nasional (PDN) yang dikelola Kementerian Komunikasi dan Digital (Komdigi) bertujuan untuk menggabungkan data center kementerian, lembaga, dan pemerintah daerah yang sebelumnya terpisah, dengan target beroperasi pada akhir Maret 2025.
Pusat Data Nasional (PDN): merupakan implementasi kebijakan pemerintah, khususnya Pasal 27 Perpres SPBE. Merupakan fasilitas yang digunakan untuk penempatan, penyimpanan, dan pengolahan data, serta pemulihan data. PDN terdiri dari pusat data yang diselenggarakan oleh Kementerian Komdigi dan/atau pusat data instansi pusat dan pemerintah daerah yang memenuhi persyaratan tertentu. Ditargetkan beroperasi pada akhir Maret 2025.
Di mana PDN Cikarang merupakan pusat data pertama pemerintah yang ditargetkan beroperasi Maret 2025. PDN dirancang dengan standar global Tier 4 untuk memastikan jaringan yang tidak terputus, serta ada baiknya diperkuat dengan model quantum encryptio yang dapat dikembangkan menjadi salah satu model standar keamanan data dengan dikoordinasikan oleh BSSN.
Pada akhirnya, dalam rangka mencapai Indonesia Emas 2045, PDKI bukan sekadar konsep untuk proyek IT belaka, tetapi merupakan bagian dari revolusi epistemologi kesehatan Indonesia, di mana setiap data mentah dapat diubah menjadi aksi nyata. Dengan kolaborasi lintas sektor; dari Kemenkes hingga BI dan segenap elemen negara lainnya, serta proses inovasi dan adopsi teknologi edge-AI, Indonesia berpotensi menjadi acuan global kesehatan digital negara berkembang.”Kita tak perlu mengejar negara maju, tetapi melompat ke masa depan dengan teknologi yang memberdayakan.”
