Di era digital, data bukan lagi sekadar catatan arsip, melainkan dapat diolah menjadi alat bantu pengambilan keputusan. Dalam bidang kesehatan masyarakat, kemampuan membaca pola masa lalu dan memperkirakan tren masa depan sangat penting, terutama untuk penyakit menular yang berdampak luas seperti HIV. Inilah yang menjadi fokus penelitian tentang peramalan kasus HIV di Jawa Timur menggunakan pendekatan machine learning. Penelitian tersebut menunjukkan bahwa teknologi komputasi dapat dimanfaatkan untuk membantu membaca arah perkembangan kasus HIV secara lebih sistematis dan terukur.
HIV masih menjadi tantangan kesehatan yang serius. Dalam artikel ini dijelaskan bahwa HIV menyerang sistem kekebalan tubuh manusia dan dapat berkembang menjadi AIDS, yaitu kondisi ketika daya tahan tubuh menurun sehingga seseorang lebih rentan terhadap berbagai penyakit. Penulis juga menekankan bahwa HIV/AIDS masih menjadi prioritas program pencegahan di Indonesia, dan Jawa Timur termasuk salah satu provinsi dengan jumlah kasus yang tinggi. Karena itu, upaya monitoring yang lebih cerdas sangat diperlukan agar pemerintah daerah dan lembaga kesehatan dapat menyiapkan intervensi secara lebih tepat.
Selama ini, penanganan masalah kesehatan sering berfokus pada pencatatan jumlah kasus yang sudah terjadi. Padahal, dalam kebijakan kesehatan modern, kemampuan untuk memprediksi jauh lebih bernilai. Jika tren kasus dapat diperkirakan lebih awal, maka langkah pencegahan, edukasi, alokasi sumber daya, hingga strategi layanan kesehatan dapat dirancang dengan lebih efisien. Dari sudut pandang itulah penelitian ini menjadi relevan: bukan hanya melihat apa yang sudah terjadi, tetapi mencoba membaca apa yang mungkin terjadi berikutnya.
Untuk melakukan prediksi, peneliti menggunakan data deret waktu kasus HIV di Jawa Timur yang bersumber dari BPS Provinsi Jawa Timur. Data tersebut mencakup periode 2 Januari 2018 hingga 18 Desember 2020, terdiri atas 114 data dengan tiga variabel utama, yaitu tanggal, nama kabupaten/kota, dan jumlah kasus HIV. Variabel jumlah kasus kemudian dijadikan target utama dalam proses pemodelan. Sebelum dianalisis lebih lanjut, data dibersihkan dari gangguan seperti nilai hilang, outlier, dan noise, lalu dinormalisasi agar rentang nilainya seragam dan lebih mudah diproses oleh model prediksi.
Yang menarik, penelitian ini tidak hanya mengandalkan satu metode. Tiga pendekatan dibandingkan sekaligus, yaitu Kalman Filter, Recurrent Neural Network (RNN), dan Decision Tree. Kalman Filter dikenal sebagai metode estimasi untuk sistem dinamis yang cukup stabil dalam membaca perubahan data. RNN merupakan bagian dari deep learning yang dirancang untuk memahami pola data berurutan atau time series. Sementara itu, Decision Tree adalah metode berbasis pohon keputusan yang lebih sederhana, tetapi sering kali efektif ketika struktur data masih relatif terbatas. Dengan membandingkan ketiganya, peneliti ingin mengetahui metode mana yang paling sesuai untuk kasus HIV di Jawa Timur.
Proses pengujian dilakukan dengan membagi data menjadi 80% data pelatihan dan 20% data pengujian, atau masing-masing sebanyak 91 data training dan 23 data testing. Hasil prediksi kemudian dievaluasi menggunakan ukuran kesalahan seperti MAE, MSE, dan terutama RMSE. Dalam analisis prediktif, RMSE sering dipakai untuk melihat seberapa dekat hasil prediksi terhadap nilai aktual; semakin kecil nilainya, semakin baik performa model tersebut.
Dari hasil simulasi, Decision Tree justru menjadi metode terbaik. Model ini menghasilkan MAE 0,0155, MSE 0,0008, dan RMSE 0,0287, yang merupakan nilai kesalahan paling kecil dibandingkan metode lain. Penulis menyatakan bahwa metode ini mampu mengikuti pola fluktuasi data dengan baik, bahkan meskipun basis datanya masih univariat. Hasil ini menunjukkan bahwa model yang relatif sederhana ternyata dapat bekerja sangat efektif bila sesuai dengan karakter data yang dianalisis.
Metode Kalman Filter menempati posisi kedua dengan hasil yang juga cukup baik, yaitu MAE 0,056, MSE 0,0078, dan RMSE 0,0885. Selain performanya yang cukup memuaskan, penelitian ini juga mencatat bahwa Kalman Filter memiliki keunggulan dari sisi waktu komputasi yang lebih singkat. Dalam konteks sistem monitoring kesehatan yang membutuhkan efisiensi dan respons cepat, kelebihan ini tentu penting. Artinya, Kalman Filter masih sangat potensial digunakan, terutama bila dibutuhkan keseimbangan antara akurasi dan kecepatan pengolahan.
Sebaliknya, RNN menghasilkan performa paling rendah, dengan MAE 0,123, MSE 0,0395, dan RMSE 0,198. Padahal, secara teori RNN sangat populer untuk data time series. Namun penelitian ini justru memperlihatkan bahwa metode yang lebih kompleks belum tentu selalu unggul. Penulis menilai bahwa salah satu penyebab utama adalah jumlah data yang masih terbatas, sehingga kemampuan RNN untuk menangkap pola temporal belum dapat dimanfaatkan secara optimal. Temuan ini penting karena mengingatkan bahwa pemilihan model harus disesuaikan dengan kualitas dan kuantitas data, bukan hanya mengikuti tren teknologi.
Dari perspektif praktis, hasil penelitian ini membawa pesan yang kuat. Pemanfaatan machine learning dalam kesehatan masyarakat dapat membantu pemerintah dan pemangku kepentingan kesehatan untuk membangun sistem peringatan dini, menyusun prioritas intervensi, serta merencanakan strategi penanggulangan yang lebih berbasis bukti. Untuk konteks Jawa Timur, model prediksi semacam ini dapat menjadi alat bantu dalam membaca kecenderungan kasus HIV secara lebih dini, sehingga kebijakan tidak hanya bersifat reaktif, tetapi juga antisipatif.
Penelitian ini juga memberi pelajaran bahwa inovasi digital dalam sektor kesehatan tidak selalu harus dimulai dari model yang paling rumit. Dalam kondisi data yang terbatas, metode yang lebih sederhana justru dapat memberikan hasil yang lebih andal. Karena itu, keberhasilan sistem analitik kesehatan sangat bergantung pada kesesuaian antara masalah, data, dan metode yang digunakan.
Sebagai penutup, penelitian ini menunjukkan bahwa prediksi kasus HIV dengan machine learning bukan sekadar eksperimen akademik, tetapi memiliki nilai nyata untuk mendukung kebijakan kesehatan publik. Dalam studi ini, Decision Tree terbukti menjadi metode paling akurat, diikuti oleh Kalman Filter, sedangkan RNN masih membutuhkan dukungan data yang lebih besar. Ke depan, penulis merekomendasikan pengembangan studi dengan metode lain seperti ARIMA, LSTM, atau ensemble tree agar sistem prediksi menjadi semakin kuat. Dengan arah pengembangan seperti ini, data kesehatan di Indonesia berpeluang tidak hanya menjadi sumber laporan, tetapi juga menjadi fondasi kebijakan yang lebih cerdas dan proaktif.
PENULIS: Rizky Amalia Sinulingga
Informasi detail dari riset ini dapat dilihat pada tulisan kami di:
https://www.scopus.com/pages/publications/105029518461?origin=resultslist Top of Form
Bottom of Form
Nurwijayanti, Yudianto, Firman, Radono, Panca, Sinulingga, Rizky Amalia, Utami, Rahayu Budi, Arof, Hamzah, 淚MPLEMENTATION OF KALMAN FILTER, RECURRENT NEURAL NETWORK, AND DECISION TREE METHOD TO FORECAST HIV CASES IN EAST JAVA, Barekeng, vol. 20, no. 2, pp. 1473 – 1484, 2026.
ISSN: 1978-7227 Top of FormBottom of Form
