Healthkathon 2025: Kolaborasi Data dan AI untuk Indonesia Sehat

Transformasi digital di era modern bukan sekadar mengadopsi teknologi terbaru. Lebih dari itu, transformasi digital adalah perubahan cara berpikir, bertindak, dan bekerja dalam menciptakan solusi yang lebih efisien, inklusif, dan berkelanjutan. Prinsip inilah yang menjadi semangat utama dalam Healthkathon 2025, sebuah ajang inovasi yang digagas oleh Direktorat Teknologi Informasi BPJS Kesehatan dalam rangka memperingati HUT ke-57 BPJS Kesehatan.

Dengan mengusung tema “Hack the Code, Reinforce the Nation: Building Digital Health Ecosystem Resilience for JKN Sustainability,” Healthkathon 2025 menjadi wadah kolaboratif bagi talenta muda, inovator, dan profesional di bidang teknologi untuk menciptakan solusi digital yang memperkuat ketahanan ekosistem kesehatan nasional.

Salah satu rangkaian kegiatan penting dari Healthkathon 2025 adalah Webinar bertajuk “Empowering the Future Innovation Through Agentic AI”, yang menghadirkan narasumber ahli di bidang kecerdasan buatan (AI), data management, dan keamanan siber, yaitu Alex Budianto, Presiden DAMA Indonesia sekaligus pendiri Cloud Computing Indonesia, Indonesia Artificial Intelligence Hub, dan Indonesia Cybersecurity Hub.

 
AI dan Data: Dua Pilar Utama Inovasi Digital Kesehatan

Dalam paparannya, Alex Budianto menegaskan bahwa AI hanya bisa memberikan nilai ketika didukung oleh data yang berkualitas dan terkelola dengan baik. Menurutnya, banyak pihak yang antusias terhadap tren AI, namun seringkali lupa bahwa data adalah fondasi utama kecerdasan buatan. Tanpa data yang akurat, lengkap, dan terpercaya, maka sistem AI akan menghasilkan output yang salah,konsep yang dikenal dengan istilah “garbage in, garbage out.”

Oleh karena itu, manajemen data (data management) menjadi kunci dalam membangun AI yang dapat diandalkan, terutama dalam sektor kesehatan di mana keakuratan data menyangkut keselamatan dan kesejahteraan masyarakat.

 
Mengenal DAMA International dan DMBOK

Untuk memahami pentingnya pengelolaan data, Alex memperkenalkan peran DAMA International (Data Management International), organisasi global yang sejak tahun 1980 telah memimpin pengembangan praktik terbaik dalam pengelolaan data.

Salah satu kontribusi terbesar DAMA adalah DAMA-DMBOK (Data Management Body of Knowledge), buku panduan komprehensif yang pertama kali diterbitkan pada tahun 2009, dan kini telah sampai pada edisi revisi tahun 2024. Dokumen ini menjadi rujukan utama di dunia dalam tata kelola data, mencakup bidang seperti:

• Arsitektur Data (Data Architecture)
• Keamanan Data (Data Security)
• Kualitas Data (Data Quality)
• Modeling dan Governance
• Big Data dan Data Science

Melalui panduan ini, organisasi di seluruh dunia dapat menerapkan kerangka kerja yang konsisten dan terukur dalam mengelola data sebagai aset strategis.

DAMA Wheel: 11 Pilar Pengelolaan Data

DAMA Wheel, yaitu kerangka kerja yang mencakup 11 area pengetahuan utama dalam manajemen data. Setiap area mendukung siklus hidup data—dari penciptaan, penyimpanan, integrasi, hingga pemanfaatan strategis untuk pengambilan keputusan.

Tanpa disiplin dalam setiap fungsi tersebut, AI tidak akan bisa beroperasi secara optimal. Sebaliknya, dengan fondasi data yang kuat, AI dapat menjadi penggerak utama inovasi dan efisiensi di sektor kesehatan.

Aiken Pyramid: Tahapan Kematangan Data Management

Untuk mencapai ekosistem data yang matang, DAMA memperkenalkan Aiken Pyramid, yang menggambarkan empat fase kematangan pengelolaan data:

• Starting Point
  Organisasi mulai menggunakan aplikasi dengan kapabilitas database, namun masih menghadapi masalah integrasi data antar sistem.
• Data Quality Challenge
  Kesadaran akan pentingnya kualitas data meningkat, menuntut metadata yang kuat dan arsitektur data yang konsisten.
• Governance & Discipline
  Praktik pengelolaan data mulai menerapkan tata kelola (governance) dan disiplin tinggi dalam menjaga kualitas serta keamanan data.
• Advanced Analytics
  Pada tahap ini, organisasi sudah mampu memanfaatkan AI dan analitik lanjutan untuk menghasilkan wawasan dan inovasi strategis.
   

AI dalam Dunia Kesehatan: Dari Analisis hingga Aksi

Kecerdasan buatan (Artificial Intelligence) adalah kemampuan sistem komputer untuk meniru kecerdasan manusia. Melalui algoritma dan model matematis, AI dapat belajar, menganalisis, dan mengambil keputusan.

Dalam sektor kesehatan, AI telah digunakan untuk:

• Membantu diagnosis penyakit melalui analisis citra medis,
• Mempercepat penemuan obat,
• Mengoptimalkan jadwal pelayanan pasien,
• Hingga mendukung prediksi epidemi dan pengambilan keputusan klinis.

Namun, AI yang bekerja dengan efektif hanya dapat terwujud ketika didukung oleh data yang terstruktur, aman, dan berkualitas tinggi.

 
Large Language Models (LLM): Otak di Balik AI Modern

Salah satu bentuk AI paling canggih saat ini adalah Large Language Models (LLM), seperti GPT (OpenAI), Gemini (Google AI), dan LLaMA (Meta AI).

LLM bekerja dengan menganalisis miliaran teks dan kode untuk memahami bahasa manusia dan menghasilkan teks yang alami. Teknologi ini tidak hanya digunakan dalam chatbot, tetapi juga dalam asisten medis digital, analisis laporan kesehatan, hingga otomasi penulisan kode sistem.

Namun, Alex mengingatkan bahwa LLM hanyalah alat—tanpa data yang bersih dan tata kelola yang baik, output-nya bisa menyesatkan atau tidak relevan.

 
Agentic AI: Evolusi Baru dari Kecerdasan Buatan

Untuk memahami bagaimana Agentic AI bekerja, kita perlu mengenal lima pilar utamanya yang membentuk siklus kehidupan kecerdasan buatan ini: persepsi, penalaran, perencanaan, tindakan, dan refleksi.

1. Persepsi (Perception)
   Tahap awal dimulai dari kemampuan AI untuk merasakan lingkungannya. Agentic AI mengumpulkan informasi dari berbagai sumber seperti sensor, basis data, dokumen teks, gambar, atau antarmuka pengguna. Misalnya, dalam konteks perawatan kesehatan, sistem ini dapat mengumpulkan data dari hasil laboratorium, rekam medis, dan laporan pasien untuk memahami situasi medis yang terjadi.
2. Penalaran (Reasoning)
   Setelah data terkumpul, Agentic AI menggunakan kekuatan Large Language Models (LLM) untuk menganalisis dan memahami konteks dari data tersebut. Tahapan ini memungkinkan AI mengenali pola, menilai relevansi informasi, dan merumuskan solusi yang mungkin. Contohnya, AI dapat membaca serangkaian email untuk menjadwalkan rapat dengan mempertimbangkan waktu luang seluruh peserta secara otomatis.
3. Perencanaan (Planning)
   Setelah memahami situasi, AI mulai membuat rencana. Ia memecah tujuan besar menjadi langkah-langkah kecil yang lebih mudah dicapai. Dalam dunia bisnis, misalnya, Agentic AI bisa merancang strategi logistik berdasarkan data penjualan, cuaca, dan transportasi untuk meminimalkan keterlambatan pengiriman.
4. Tindakan (Action)
   Pada tahap ini, AI bertindak berdasarkan rencana yang telah disusun. Ia bisa mengeksekusi tugas, berinteraksi dengan sistem lain, atau bahkan membuat keputusan tanpa menunggu perintah manusia. Agentic AI misalnya dapat secara otomatis memesan stok barang ketika inventaris mencapai batas minimum.
5. Refleksi (Reflection)
   Inilah yang membuat Agentic AI benar-benar berbeda. AI tidak berhenti setelah menyelesaikan tugas, tetapi juga belajar dari hasil tindakannya. Ia mengevaluasi keberhasilan, menganalisis kesalahan, dan memperbaiki rencana untuk tindakan berikutnya. Proses belajar berkelanjutan ini membuat Agentic AI semakin pintar seiring waktu — layaknya manusia yang terus berkembang melalui pengalaman.
    

Perbedaan GenAI dan Agentic AI

Menurut Alex, perbedaan antara Generative AI (GenAI) dan Agentic AI terletak pada fokus dan kemampuannya.

• GenAI bertujuan untuk menciptakan konten baru seperti teks, gambar, kode, atau musik berdasarkan perintah (prompt) yang diberikan manusia. Contohnya seperti ChatGPT, Gemini, atau LLaMA yang mampu menghasilkan tulisan dan percakapan alami.
• Agentic AI, di sisi lain, adalah evolusi dari GenAI. Ia tidak hanya menghasilkan konten, tetapi juga mampu mengambil tindakan nyata berdasarkan informasi yang diproses. Dengan menggunakan LLM sebagai “otak”, Agentic AI dapat mengorkestrasi tindakan dalam sistem tertentu untuk mencapai tujuan kompleks secara mandiri.

Sederhananya, jika GenAI adalah asisten yang membantu membuat sesuatu berdasarkan instruksi, maka Agentic AI adalah agen otonom yang mampu memutuskan apa yang harus dilakukan untuk mencapai hasil terbaik.

 
Penerapan Agentic AI di Dunia Nyata

Agentic AI bukan lagi konsep masa depan, penerapannya mulai terlihat di berbagai sektor, termasuk:

1. Layanan Pelanggan (Customer Service)
   Agentic AI mampu menangani pertanyaan pelanggan secara otomatis, memahami konteks percakapan, dan memberikan solusi yang sesuai. Hal ini membuat agen manusia dapat fokus pada masalah yang lebih kompleks dan emosional.
2. Pengelolaan Rantai Pasokan (Supply Chain Management)
   Dengan kemampuan analisis data real-time dari berbagai sumber seperti penjualan, inventaris, dan logistik, Agentic AI dapat memprediksi permintaan pasar, mengoptimalkan rute pengiriman, serta mengurangi risiko kekurangan stok.
3. Perawatan Kesehatan (Healthcare)
   Dalam bidang medis, Agentic AI membantu dokter dalam diagnosis dan pengambilan keputusan klinis. Dengan menganalisis data pasien, hasil uji laboratorium, hingga literatur medis, AI dapat memberikan rekomendasi pengobatan yang lebih cepat dan akurat.
4. Pengembangan Perangkat Lunak (Software Development)
   AI jenis ini dapat menulis, menguji, dan memperbaiki kode secara otomatis. Hasilnya, proses pengembangan software menjadi lebih efisien, mengurangi bug, dan mempercepat waktu peluncuran produk.

Namun, sebagaimana disampaikan Alex, penerapan Agentic AI bukan tanpa tantangan. Ada beberapa hal penting yang perlu diperhatikan agar implementasinya berjalan efektif dan etis:

• Tujuan yang Jelas
  Setiap sistem AI harus memiliki tujuan yang spesifik dan selaras dengan kebutuhan bisnis atau organisasi. Tanpa arah yang jelas, AI bisa mengambil keputusan yang tidak relevan atau bahkan merugikan.
• Kualitas Data
  AI hanya sebaik data yang diterimanya. Jika data yang digunakan tidak akurat atau bias, hasil keputusan AI pun akan menyesatkan. Karena itu, manajemen data yang baik menjadi fondasi utama keberhasilan Agentic AI.
• Etika dan Tanggung Jawab
  Karena AI dapat memengaruhi kehidupan manusia, penting untuk memastikan penggunaannya etis dan transparan. Keputusan yang diambil oleh AI harus bisa dijelaskan dan dipertanggungjawabkan.
• Keamanan Siber
  Agentic AI rentan terhadap serangan siber. Oleh karena itu, organisasi harus menyiapkan langkah-langkah perlindungan yang kuat untuk menjaga data dan sistem agar tidak disalahgunakan.
• Transparansi dan Interpretabilitas
  Bisnis perlu memahami bagaimana AI membuat keputusan. Teknik seperti SHAP (SHapley Additive exPlanations) dan LIME (Local Interpretable Model-agnostic Explanations) dapat digunakan untuk menjelaskan logika di balik keputusan AI agar lebih mudah dipahami.
• Integrasi Sistem
  AI harus terhubung dengan infrastruktur bisnis yang sudah ada. Ini menuntut koordinasi antara tim teknologi dan operasional agar sistem berjalan selaras tanpa gangguan.
• Pemantauan dan Evaluasi
  Setelah diimplementasikan, kinerja AI perlu terus dipantau dan disempurnakan. Dengan pemantauan yang berkelanjutan, organisasi dapat memastikan AI tetap relevan dan adaptif terhadap perubahan lingkungan bisnis.

 
Membangun Ekosistem Kesehatan Digital yang Berkelanjutan

Lewat Healthkathon 2025, BPJS Kesehatan menegaskan komitmennya dalam membangun ekosistem kesehatan digital yang tangguh dan berkelanjutan. Dengan kolaborasi antara talenta muda, akademisi, dan praktisi industri, ajang ini menjadi ruang eksplorasi ide yang dapat memperkuat sistem Jaminan Kesehatan Nasional (JKN) di masa depan.

Healthkathon 2025 bukan hanya kompetisi inovasi teknologi, tetapi juga gerakan nasional untuk memperkuat ketahanan ekosistem kesehatan digital Indonesia. Melalui pemahaman mendalam tentang data management, AI, dan etika digital, Indonesia diharapkan dapat melahirkan solusi cerdas yang mendukung keberlanjutan sistem kesehatan, memperkuat JKN, dan membuka jalan menuju masa depan yang lebih sehat, efisien, dan inklusif.