LPPM UNIVERSITAS NUSA MANDIRI Lembaga Penelitian dan Pengabdian Masyarakat Universitas Nusa Mandiri
Mengungkap Tantangan Tersembunyi di Balik Prediksi Kesehatan Mental
Di tengah pesatnya perkembangan teknologi digital, kesehatan mental menjadi salah satu persoalan penting yang semakin mendapat perhatian. Tekanan pekerjaan, tuntutan produktivitas, serta perubahan lingkungan kerja yang berlangsung cepat dapat memengaruhi kondisi psikologis seseorang. Situasi ini juga menjadi perhatian dalam industri teknologi informasi, yang dikenal dengan ritme kerja dinamis dan tuntutan inovasi berkelanjutan.
Kemajuan kecerdasan buatan atau Artificial Intelligence (AI) membuka peluang baru untuk membantu memahami berbagai faktor yang berkaitan dengan kesehatan mental. Melalui teknologi machine learning, komputer dapat mempelajari pola dari sejumlah besar data untuk menghasilkan prediksi yang mendukung proses identifikasi kebutuhan penanganan kesehatan mental.
Namun, terdapat persoalan mendasar yang sering luput dari perhatian. Bagaimana sebuah sistem kecerdasan buatan dapat menghasilkan prediksi yang akurat apabila data yang digunakan tidak lengkap?
Pertanyaan tersebut menjadi dasar penelitian yang dilakukan oleh Sofiyatul Mu’minah, Hilman Ferdinandus Pardede, Shinta Oktaviana R, Eni Heni Hermaliani, Andi Saryoko, Anton, dan Nurmalasari. Penelitian mereka mengkaji pemanfaatan metode Multivariate Imputation by Chained Equations (MICE) untuk meningkatkan kualitas data yang digunakan dalam prediksi kebutuhan penanganan kesehatan mental.
Penelitian ini telah dipresentasikan oleh kumpulan dosen dan mahasiswa Universitas Nusa Mandiri (UNM) dalam forum ilmiah internasional International Conference on Information Technology Research and Innovation (ICITRI) dan dipublikasikan melalui IEEE Xplore, salah satu perpustakaan digital yang menjadi rujukan publikasi ilmiah bidang teknologi dan rekayasa.
Ketika Data yang Hilang Menjadi Hambatan Kecerdasan Buatan
Dalam penelitian berbasis data, informasi yang tidak lengkap dikenal dengan istilah missing data. Kondisi ini terjadi ketika sebagian informasi yang seharusnya tersedia tidak tercatat dalam suatu kumpulan data.
Dalam survei kesehatan mental, ketidaklengkapan data dapat muncul karena berbagai alasan. Sebagian responden mungkin merasa tidak nyaman mengungkapkan pengalaman psikologisnya, khawatir terhadap stigma sosial, atau memilih untuk tidak menjawab pertanyaan tertentu.
Masalah tersebut bukan sekadar persoalan administratif. Ketika data yang hilang diabaikan atau ditangani secara tidak tepat, hasil analisis berpotensi mengalami bias dan menurunkan kemampuan model kecerdasan buatan dalam mengenali pola.
Selama ini, salah satu pendekatan sederhana yang digunakan adalah menghapus data yang tidak lengkap. Pendekatan lainnya adalah mengganti nilai yang hilang dengan jawaban yang paling sering muncul dalam kumpulan data.
Meskipun praktis, kedua pendekatan tersebut memiliki kelemahan. Penghapusan dapat menghilangkan informasi yang masih bermanfaat, sedangkan penggantian menggunakan nilai paling sering belum tentu mencerminkan karakteristik sebenarnya dari responden.
Melalui penelitian ini, tim peneliti menawarkan pendekatan yang lebih mempertimbangkan hubungan antarinformasi, yaitu metode MICE.
MICE: Memperkirakan Informasi yang Hilang dengan Memahami Hubungan Data
Metode MICE bekerja dengan memperkirakan nilai yang hilang berdasarkan hubungan antara sejumlah variabel yang tersedia. Berbeda dengan pendekatan sederhana yang hanya menggunakan satu nilai pengganti, MICE memanfaatkan proses pemodelan berulang untuk menghasilkan perkiraan yang lebih mempertimbangkan struktur data.
Sebagai ilustrasi, apabila seorang responden tidak mengisi salah satu pertanyaan dalam survei kesehatan mental, sistem dapat memanfaatkan pola dari variabel lain yang relevan untuk memperkirakan jawaban yang mungkin sesuai.
Pendekatan ini tidak berarti kecerdasan buatan mengetahui jawaban responden yang sebenarnya. Nilai yang dihasilkan tetap merupakan estimasi statistik yang memiliki ketidakpastian. Namun, melalui pemodelan yang tepat, informasi yang tersedia dapat dimanfaatkan secara lebih optimal.
Dalam penelitian tersebut, tim menggunakan data survei kesehatan mental pekerja industri teknologi yang berasal dari Open Sourcing Mental Illness (OSMI) tahun 2014. Dataset awal mencakup 1.259 catatan responden dengan 27 fitur.
Data tersebut kemudian melalui proses pembersihan, transformasi, pemilihan fitur, dan pengujian menggunakan berbagai algoritma machine learning.
Tujuh algoritma yang digunakan meliputi K-Nearest Neighbors, Decision Tree, Logistic Regression, Random Forest, AdaBoost, Bagging, dan Stacking.
Pengujian dilakukan untuk membandingkan tiga strategi penanganan data tidak lengkap, yakni penghapusan data, penggantian dengan nilai paling sering, dan metode MICE.
Hasil Penelitian: Kualitas Data Berpengaruh terhadap Akurasi Prediksi
Hasil penelitian menunjukkan bahwa penggunaan metode MICE mampu meningkatkan kinerja prediksi pada berbagai algoritma yang diuji.
Rata-rata akurasi klasifikasi tujuh model
76%
Metode MICE
70%
Nilai paling sering
67%
Penghapusan data
Angka berdasarkan abstrak penelitian; terdapat ketidakkonsistenan pelaporan nilai metode pembanding pada bagian kesimpulan naskah.
Hasil tersebut memperlihatkan bahwa strategi pengelolaan data merupakan salah satu faktor penting dalam pengembangan sistem prediksi berbasis kecerdasan buatan.
Selain akurasi, penelitian juga mengevaluasi perbedaan kinerja model antara data pelatihan dan data pengujian. Pengukuran menggunakan Receiver Operating Characteristic (ROC) menunjukkan bahwa MICE menghasilkan kesenjangan rata-rata yang lebih kecil dibandingkan dua pendekatan lainnya.
Temuan ini penting karena model kecerdasan buatan tidak cukup hanya menghasilkan prediksi yang baik pada data pelatihan. Model juga perlu mempertahankan kemampuan prediksinya ketika menghadapi data yang belum pernah digunakan sebelumnya.
Penelitian turut melakukan simulasi penghilangan 30 persen data pada variabel tertentu untuk menilai kemampuan metode imputasi dalam memperkirakan kembali informasi yang hilang.
Pada variabel riwayat kesehatan mental keluarga, metode MICE menghasilkan tingkat perkiraan yang tidak sesuai sebesar 11,4 persen, dibandingkan 12,2 persen pada metode nilai paling sering. Sementara itu, pada variabel kemudahan memperoleh izin atau cuti terkait kondisi kesehatan mental, tingkat kesalahan MICE tercatat sebesar 15,8 persen, dibandingkan 16,7 persen pada metode pembanding.
Meskipun perbedaannya tidak terlalu besar, hasil tersebut memberikan bukti tambahan bahwa pemanfaatan hubungan antarfaktor dalam data dapat membantu menghasilkan estimasi yang lebih baik.
Membuka Peluang Pengembangan Teknologi Kesehatan Mental
Penelitian ini memberikan kontribusi terhadap pengembangan teknologi kecerdasan buatan, khususnya pada tahap persiapan dan pengelolaan data.
Dalam praktiknya, sistem prediksi kesehatan mental berpotensi digunakan sebagai alat bantu penelitian, pemetaan kebutuhan dukungan psikologis, maupun pengembangan sistem pendukung keputusan. Namun, penggunaannya tetap memerlukan pengujian lebih lanjut, perlindungan privasi, dan keterlibatan tenaga profesional.
Hasil prediksi algoritma tidak dapat diperlakukan sebagai diagnosis klinis. Model yang dikembangkan dalam penelitian ini memprediksi kategori terkait kebutuhan atau penerimaan penanganan kesehatan mental berdasarkan data survei, bukan menetapkan diagnosis gangguan mental secara langsung.
Selain itu, penggunaan dataset survei tahun 2014 menjadi salah satu keterbatasan penelitian. Perubahan karakteristik tenaga kerja, budaya organisasi, serta kondisi sosial dalam beberapa tahun terakhir dapat memengaruhi relevansi pola yang ditemukan.
Karena itu, penelitian lanjutan menggunakan data yang lebih mutakhir, lebih beragam, dan mewakili berbagai kelompok masyarakat diperlukan sebelum pendekatan ini diterapkan secara luas.
Kontribusi Peneliti Indonesia dalam Inovasi Kecerdasan Buatan
Keterlibatan Andi Saryoko bersama tim peneliti dalam publikasi internasional ini menunjukkan kontribusi akademisi Indonesia dalam pengembangan metode analisis data dan kecerdasan buatan.
Penelitian ini mempertemukan dua bidang yang semakin penting, yaitu teknologi informasi dan kesehatan mental. Melalui pendekatan komputasional, para peneliti berupaya menjawab tantangan teknis yang dapat memengaruhi kualitas hasil prediksi.
Diseminasi hasil penelitian pada konferensi internasional ICITRI serta publikasi di IEEE Xplore menjadi sarana untuk memperluas jangkauan temuan ilmiah dan membuka peluang diskusi dengan komunitas penelitian internasional.
Lebih jauh, penelitian ini menegaskan bahwa inovasi kecerdasan buatan tidak selalu harus berawal dari penciptaan algoritma baru. Peningkatan kualitas data, pemilihan metode pengolahan yang sesuai, dan evaluasi model secara cermat juga merupakan bagian penting dari pengembangan teknologi yang bertanggung jawab.
Penutup: Kecerdasan Buatan yang Andal Dimulai dari Data Berkualitas
Di era transformasi digital, kecerdasan buatan semakin banyak digunakan untuk membantu memahami persoalan kompleks, termasuk kesehatan mental. Akan tetapi, kemampuan sebuah sistem tidak hanya ditentukan oleh kecanggihan algoritmanya, melainkan juga oleh kualitas informasi yang menjadi dasar pembelajaran.
Penelitian tentang penerapan MICE untuk prediksi kesehatan mental memberikan pelajaran bahwa data yang tidak lengkap tidak selalu harus dibuang. Dengan metode statistik dan komputasi yang sesuai, sebagian informasi yang hilang dapat diperkirakan sehingga data tetap dapat dimanfaatkan untuk analisis.
Melalui penelitian yang telah dipresentasikan pada ICITRI dan dipublikasikan di IEEE Xplore ini, Andi Saryoko bersama tim peneliti memberikan kontribusi dalam pengembangan pendekatan prediksi berbasis data yang lebih andal.
Pada akhirnya, teknologi yang bermanfaat bukan hanya teknologi yang mampu menghasilkan prediksi, tetapi juga teknologi yang memahami keterbatasan data, memperhitungkan ketidakpastian, dan digunakan secara bertanggung jawab untuk mendukung kesejahteraan manusia.
Sumber penelitian: Sofiyatul Mu’minah, Hilman Ferdinandus Pardede, Shinta Oktaviana R, Eni Heni Hermaliani, Andi Saryoko, Anton, dan Nurmalasari. Multivariate Imputation Using Chained Equations for Enhanced Mental Health Prediction. International Conference on Information Technology Research and Innovation (ICITRI).
Publikasi: IEEE Xplore — Document 11751238
