Kalau sebuah model AI kesehatan sangat bagus di Amerika, Eropa, atau negara lain, pertanyaan berikutnya bukan langsung, “Kapan kita pakai di Indonesia?”
Pertanyaan yang lebih penting:
“Apakah data yang membentuk dan menguji model itu cukup mirip dengan orang yang akan dilayani di sini?”
Ini bukan detail teknis kecil.
Untuk AI kesehatan, data adalah pondasi.
Kalau pondasinya tidak mewakili populasi, model bisa terlihat sangat pintar di benchmark lalu mulai goyah ketika bertemu pasien nyata.
Indonesia punya populasi besar, bahasa beragam, pola penyakit yang tidak identik antarwilayah, fasilitas kesehatan dengan kapasitas berbeda, dan kualitas data yang tidak selalu seragam.
Karena itu AI kesehatan di Indonesia membutuhkan data lokal yang representatif.
Bukan untuk menolak model global.
Tapi supaya kita tahu kapan model global benar-benar bekerja di konteks lokal.
Bahasa saja sudah menjadi masalah besar
Banyak model kesehatan dikembangkan menggunakan data bahasa Inggris.
Di Indonesia, pasien tidak selalu bicara dengan istilah formal.
“Dada kayak ketindih.”
“Perut begah.”
“Masuk angin.”
“Kliyengan.”
“Ngilu.”
“Panas dingin.”
“Sesak dikit.”
Itu bukan bahasa textbook.
Belum lagi campuran Indonesia, Jawa, Sunda, Betawi, Inggris, dan istilah lokal lain.
Kalau chatbot kesehatan memahami bahasa secara literal tanpa context budaya, risiko salah tafsir naik.
Data lokal membantu model belajar bagaimana orang benar-benar menjelaskan keluhan.
Bukan hanya bagaimana guideline menulis diagnosis.
Ini penting karena banyak AI kesehatan consumer-facing bekerja dari percakapan.
Kalau bahasa input sudah tidak akurat dipahami, reasoning berikutnya ikut bermasalah.
Data klinis juga tidak identik antar rumah sakit
Satu rumah sakit punya electronic health record yang rapi.
Rumah sakit lain masih punya banyak field kosong.
Format lab berbeda.
Coding berbeda.
Template catatan berbeda.
Nama obat bisa ditulis dengan variasi.
Dokter punya gaya dokumentasi sendiri.
Ada data terstruktur.
Ada free text.
Ada hasil scan PDF.
AI yang dilatih pada satu sistem belum tentu langsung cocok di sistem lain.
Ini alasan kenapa “local data” tidak cukup berarti “data dari Indonesia”.
Data harus mewakili variasi penggunaan.
Jakarta tidak mewakili seluruh Indonesia.
Rumah sakit pendidikan besar tidak mewakili puskesmas.
Rumah sakit swasta premium tidak mewakili semua fasilitas.
Representatif berarti kita tahu siapa yang ada di data dan siapa yang hilang.
WHO pada 2026 kembali menyoroti bahwa data yang tidak lengkap, outdated, atau tidak konsisten dapat membuat keputusan kesehatan dibangun dari asumsi, bukan evidence.
Dalam laporan tentang health data gap, WHO menekankan bahwa kelompok rentan bisa menjadi tidak terlihat ketika data tidak tersedia atau tidak terdisagregasi dengan baik.
Pelajarannya relevan untuk AI.
Kalau kelompok tertentu tidak terlihat di dataset, model juga belajar lebih sedikit tentang mereka.
AI bisa memperbesar invisibility yang sudah ada
Bayangkan suatu kelompok lebih jarang mendapat akses diagnosis.
Akibatnya, medical record mereka lebih sedikit.
Model kemudian melihat lebih sedikit contoh kondisi dari kelompok itu.
Ketika dipakai untuk screening, performance bisa lebih buruk.
Bukan karena model “membenci” kelompok tertentu.
Karena data historis sudah tidak seimbang.
Inilah kenapa fairness tidak bisa diselesaikan hanya dengan menambahkan satu parameter di akhir.
Masalahnya bisa dimulai jauh sebelum model training.
Siapa yang punya akses?
Siapa yang tercatat?
Siapa yang punya hasil pemeriksaan digital?
Siapa yang tidak?
Data health system membawa sejarah sistem itu sendiri.
AI mempelajari sejarah tersebut.
Local data perlu quality, bukan cuma quantity
Indonesia punya potensi data kesehatan sangat besar.
BPJS Kesehatan saja mengelola data layanan dalam skala besar, dan pada April 2026 Komdigi secara terbuka membahas kolaborasi pemanfaatan AI untuk membantu pengolahan data skala besar dalam layanan BPJS.
Ini menunjukkan opportunity.
Tapi data besar tidak otomatis data bagus.
Kita perlu melihat:
completeness, consistency, label quality, provenance, timeliness, interoperability, privacy, dan representativeness.
Sepuluh juta record dengan label buruk bisa menghasilkan false confidence.
Satu juta record yang terkurasi dengan baik bisa lebih berguna untuk task tertentu.
Data engineering adalah bagian clinical safety.
Bukan pekerjaan belakang layar yang bisa dianggap selesai sendiri.
Representatif juga bergantung pada use case
Tidak ada satu dataset nasional yang otomatis cocok untuk semua AI kesehatan.
Model radiology butuh image dan label yang berbeda dari chatbot.
Model risk prediction butuh longitudinal data.
Model voice AI butuh suara.
Model dermatology butuh image kulit dengan variasi yang relevan.
Model maternal health butuh data kehamilan dan outcome yang memadai.
Jadi pertanyaan “punya data lokal nggak?” terlalu umum.
Harus ditanya:
data lokal untuk task apa?
Pada siapa?
Dikumpulkan kapan?
Dengan device apa?
Di fasilitas apa?
Ground truth-nya apa?
Representativeness selalu relatif terhadap intended use.
Ini prinsip penting.
Kalau model dipakai untuk Jakarta saja, dataset nasional mungkin tidak wajib untuk fase pertama.
Kalau mau dipakai seluruh Indonesia, satu hospital di Jakarta tidak cukup.
Local validation harus mengikuti deployment.
Data lokal tidak berarti semua data harus dikumpulkan ulang
Kita tidak perlu memulai dari nol.
Model global bisa menjadi base.
Lalu diuji di data lokal.
Fine-tuning jika diperlukan.
Calibration.
External validation.
Subgroup testing.
Workflow testing.
Ini lebih realistis.
Transfer learning dan foundation model justru bisa mengurangi kebutuhan dataset raksasa dari nol.
Tapi tetap harus ada local evidence.
Bukan sekadar translate interface ke bahasa Indonesia lalu menyebutnya localized.
Localization dalam health AI berarti model memahami population, workflow, dan context penggunaan.
Bukan hanya bahasa menu.
Privacy harus dibangun dari awal
Begitu orang bicara “butuh data lokal”, risiko berikutnya adalah mengejar data sebanyak mungkin.
Ini salah.
Data kesehatan adalah data sensitif.
Indonesia punya UU Pelindungan Data Pribadi yang memasukkan data dan informasi kesehatan sebagai data pribadi spesifik.
Kebutuhan AI tidak menghapus privacy.
Data collection perlu punya purpose.
Access.
Security.
Retention.
Legal basis.
Governance.
De-identification jika relevan.
Consent jika memang diperlukan.
Hospital dan developer harus tahu siapa yang bisa melihat data.
Jangan mengumpulkan data “untuk AI” tanpa use case jelas.
AI bukan alasan universal untuk secondary use.
Data minimization tetap penting.
Satu problem besar adalah data dari orang sehat lebih mudah didapat daripada data klinis kompleks
Wearable dan consumer app menghasilkan banyak data.
Bagus.
Tapi kalau model untuk clinical risk dilatih terlalu banyak dari population yang relatif sehat dan tech-savvy, hasilnya bisa bias.
Orang yang menggunakan smartwatch mahal bukan representasi semua pasien Indonesia.
Orang yang aktif mengisi health app juga punya behaviour tertentu.
Self-selection bias.
Developer perlu tahu source population.
Jangan menganggap volume digital otomatis berarti representatif.
Kelompok yang paling membutuhkan health service kadang justru paling sedikit meninggalkan jejak digital.
Ini paradox yang harus diantisipasi.
Local expert juga dibutuhkan untuk labeling
Data tidak punya makna sendiri.
Ada clinician yang menentukan diagnosis.
Ada radiologist yang memberi label.
Ada coder.
Ada researcher.
Ada public health expert.
Local expertise penting.
Model tidak hanya butuh data Indonesia.
Butuh interpretasi yang sesuai praktik dan guideline lokal.
Misalnya kategori penyakit atau treatment pathway bisa punya perbedaan sesuai sistem layanan.
Label harus mengikuti intended clinical use.
Kalau ground truth lemah, model belajar dari ambiguity.
Quality assurance untuk labeling perlu explicit.
Second review untuk case tertentu.
Adjudication.
Inter-rater agreement kalau relevan.
Ini semua terdengar akademis.
Tapi error label bisa berubah menjadi error model.
Data representatif juga harus melihat waktu
Dataset 2018 mungkin tidak lagi sepenuhnya mewakili 2026.
Practice berubah.
Device berubah.
Disease pattern berubah.
Coding berubah.
Medication berubah.
Guideline berubah.
Pandemi juga mengubah banyak behaviour health system.
AI perlu freshness.
Tidak semua data lama dibuang.
Historical data tetap valuable.
Tapi model harus tahu context.
Versioning.
Date.
Temporal validation.
Kalau model bekerja baik pada data 2022 tetapi performa turun di data 2026, itu drift.
Monitoring harus ongoing.
Indonesia bisa membangun keunggulan dari data lokal yang baik
Selama ini diskusi AI sering fokus model.
Siapa punya model terbesar.
Siapa punya compute.
Padahal untuk healthcare, asset strategis bisa datang dari data berkualitas dan governance yang kuat.
Indonesia punya kesempatan membangun dataset yang:
representatif, multisite, multilingual, well-governed, dan clinically validated.
Itu bisa menjadi infrastructure nasional.
Bukan hanya untuk satu startup.
Hospital, university, government, dan industry bisa berkolaborasi dengan rule yang tepat.
Tentunya tidak berarti data pasien dibuka bebas.
Justru perlu trusted research environment, access control, dan governance.
Shared learning tidak harus berarti shared raw data.
Federated approach atau privacy-preserving method bisa dipertimbangkan untuk use case tertentu.
Yang penting objective jelas.
Data lokal adalah cara menguji asumsi, bukan cara membangun nationalism teknologi
Kalimat “AI buatan luar tidak cocok Indonesia” terlalu simplistik.
Bisa cocok.
Bisa sangat bagus.
Yang kita butuhkan adalah evidence.
Uji.
Bandingkan.
Lihat subgroup.
Lihat workflow.
Kalau performa baik, gunakan.
Kalau perlu calibration, perbaiki.
Kalau gagal, jangan dipaksakan.
Science lebih penting daripada asal negara model.
Begitu juga model lokal tidak otomatis bagus hanya karena dibuat di Indonesia.
Ia tetap perlu validation.
Local provenance bukan pengganti quality.
Pada akhirnya, AI kesehatan Indonesia membutuhkan data lokal bukan karena kita ingin semua teknologi harus homegrown.
Kita membutuhkannya karena pasien Indonesia berhak mendapat sistem yang diuji pada konteks yang relevan dengan mereka.
Model boleh global.
Evidence harus cukup lokal.
Karena dalam healthcare, pertanyaan paling penting bukan seberapa canggih AI di demo.
Pertanyaannya:
apakah ia tetap bekerja untuk orang yang benar-benar akan mengandalkannya di dunia nyata?
Ada satu layer tambahan: public health data dan clinical data tidak selalu punya tujuan sama. Data surveilans populasi berguna untuk kebijakan. Data rumah sakit berguna untuk care. Data wearable berguna untuk behaviour. Jangan mencampur semuanya seolah interchangeable.
AI project perlu data architecture yang mengikuti question.
Kalau pertanyaannya salah, dataset sebesar apa pun tidak menyelamatkan.
Sebelum membangun model, definisikan dulu outcome yang ingin dibantu. Baru tentukan data apa yang memang diperlukan dan siapa yang harus diwakili di dalamnya.
Bacaan terkait
Artikel ini berada dalam HealthTech & Digital Health dan mengikuti metodologi editorial Undercover.id. Format terkait tersedia di Explainer teknologi dan kebijakan digital.