Malnutrisi anak adalah sesuatu yang sering kita dengar, tetapi apa sebenarnya itu? Secara sederhana, malnutrisi merupakan kondisi di mana seseorang, terutama anak-anak, tidak mendapatkan cukup gizi dari makanan atau tidak dapat menyerap nutrisi yang dibutuhkan tubuhnya. Pada anak, malnutrisi akut bisa berarti mereka tidak tumbuh dengan baik, berat badan turun drastis, dan sistem kekebalan tubuhnya melemah. Akibatnya, anak jadi lebih mudah sakit bahkan bisa berujung pada kematian. Di Kenya, misalnya, sekitar lima persen anak di bawah usia lima tahun mengalami malnutrisi akut, dan di beberapa wilayah terutama di utara, jumlah ini bisa mencapai 20–25 persen.
Masalah malnutrisi anak bukan hanya isu kesehatan semata, tetapi juga merupakan masalah sosial dan ekonomi yang besar. Ketika banyak anak yang tubuhnya tidak mendapatkan gizi cukup, hal ini juga berarti masa depan mereka bisa terhambat karena perkembangan otak dan tubuhnya terganggu. Selain itu, negara juga menanggung kerugian ekonomi yang tidak sedikit karena malnutrisi berdampak pada produktivitas dan biaya perawatan kesehatan.
Bagaimana Peneliti Menggunakan AI untuk Melihat Masa Depan
Di tengah tantangan itu, para peneliti dari berbagai institusi, termasuk USC School of Advanced Computing dan Keck School of Medicine, bekerja sama dengan Microsoft AI for Good Lab, Amref Health Africa, serta Kementerian Kesehatan Kenya untuk menciptakan sebuah alat baru yang revolusioner: sebuah model kecerdasan buatan yang bisa memprediksi kapan dan di mana malnutrisi akut anak kemungkinan besar akan terjadi hingga enam bulan ke depan.
Kecerdasan buatan, atau AI, dalam konteks ini berarti program komputer yang dilatih menggunakan berbagai data supaya bisa mengenali pola-pola kompleks yang manusia mungkin sulit lihat sendiri. Program ini bukan hanya sekadar alat hitung sederhana, tetapi mampu belajar dari data untuk membuat prediksi yang berguna.
Yang membuat alat ini begitu penting adalah karena ia memberikan waktu peringatan awal. Dengan kata lain, pemerintah, organisasi kemanusiaan, dan petugas kesehatan dapat mengetahui wilayah mana yang kemungkinan besar akan mengalami lonjakan malnutrisi beberapa bulan sebelum itu terjadi. Hal ini memungkinkan mereka untuk mempersiapkan dan mengirim bantuan—seperti makanan, suplemen gizi, tenaga medis, dan air bersih—sebelum krisis benar-benar datang.
Baca juga: Gelombang Panas, Banjir, dan Penyakit: Saat Krisis Iklim Menjadi Krisis Kesehatan Global
Dari Mana Sumber Data Dipakai Model Ini?
Agar AI ini bisa bekerja, dibutuhkan data—banyak data. Untuk kasus ini, tim peneliti memadukan dua jenis data penting. Pertama adalah data klinis yang berasal dari lebih dari 17.000 fasilitas layanan kesehatan di seluruh Kenya. Data ini mencakup catatan kesehatan anak-anak, termasuk jumlah anak yang mengalami masalah gizi, mereka yang mengikuti program pemberian makanan tambahan, serta data kesehatan umum lainnya.
Kedua adalah data yang diambil dari citra satelit. Satelit di luar angkasa memonitor keadaan bumi dari atas, termasuk pertumbuhan tanaman, kondisi lahan, dan produktivitas hasil pertanian. Informasi ini penting karena kesehatan tanaman dan hasil panen sangat berkaitan dengan ketersediaan makanan di suatu wilayah. Jika tanaman gagal panen akibat kekeringan atau cuaca buruk, peluang terjadinya malnutrisi bakal meningkat karena pasokan makanan berkurang.
Dengan menggabungkan kedua sumber data ini—data klinis yang detail tentang kesehatan anak dan data lingkungan yang menunjukkan kondisi produksi pangan—AI bisa melihat pola yang jauh lebih kompleks daripada pendekatan tradisional yang hanya melihat tren masa lalu saja.
Apa Itu Machine Learning dan Kenapa Itu Penting?
Istilah lain yang sering muncul di artikel ini adalah machine learning, sebuah sub-bidang dari AI. Secara sederhana, machine learning adalah teknik di mana komputer dilatih dengan contoh banyak data sehingga ia mampu mengenali pola dan membuat prediksi tanpa harus diprogram secara langsung untuk masing-masing kemungkinan. Bayangkan seperti mengajari anak membaca—jika anak melihat banyak buku dan mendapatkan umpan balik yang benar, ia belajar mengenali huruf dan kata dengan sendirinya.
Dalam kasus prediksi malnutrisi, machine learning membantu komputer menggabungkan semua jenis data—angka dari klinik, gambar dari satelit, tren cuaca, pola kesehatan masyarakat—lalu memahami hubungan antar elemen yang mungkin tidak terlihat oleh manusia saja. Model ini kemudian bisa menghasilkan ramalan—misalnya, wilayah A kemungkinan besar mengalami lonjakan kasus malnutrisi dalam tiga bulan ke depan dengan tingkat kepastian tertentu.
Seberapa Akurat Model Ini?
Salah satu hal yang membuat penemuan ini begitu menarik adalah tingkat akurasinya. Ketika AI ini digunakan untuk memprediksi kasus malnutrisi satu bulan ke depan, model ini mampu mencapai sekitar 89 persen akurasi. Artinya, dari keseluruhan prediksi yang dibuat, hampir 9 dari 10 prediksi terbukti sesuai dengan apa yang terjadi kemudian. Bahkan ketika dipakai untuk memprediksi enam bulan ke depan, tingkat akurasinya tetap tinggi, yakni sekitar 86 persen.
Perbandingan dengan metode tradisional sangat mencolok. Metode lama yang hanya berdasarkan tren historis atau penilaian ahli cenderung kurang akurat, terutama di wilayah di mana kondisi berubah dengan cepat dan tidak terduga. AI mampu melihat pola yang lebih rumit dan mempertimbangkan berbagai faktor secara bersamaan sehingga prediksinya lebih tajam.
Dashboard: Alat yang Membuat Prediksi Ini Bisa Digunakan
Agar hasil prediksi ini tidak hanya berhenti sebagai angka di laptop peneliti, tim juga telah mengembangkan sebuah dashboard—yaitu antarmuka visual yang menampilkan informasi prediksi malnutrisi secara geografis dan waktu. Lewat dashboard ini, pembuat kebijakan dan petugas lapangan bisa melihat peta risiko, wilayah yang perlu perhatian segera, serta tren yang berkembang.
Bayangkan seperti peta cuaca yang menunjukkan kemungkinan hujan atau badai. Bedanya, dashboard ini menunjukkan “cuaca malnutrisi” di mana yang merah adalah daerah yang perlu mendapat bantuan segera, sedangkan yang aman bisa dipantau lebih lanjut. Dengan visualisasi ini, keputusan menjadi jauh lebih cepat dan tepat sasaran.
Kolaborasi: Kunci Keberhasilan dan Skalabilitas
Proyek ini bukan hanya hasil kerja satu pihak saja. Ini adalah kolaborasi antara akademisi, badan nonprofit yang bergerak di bidang kesehatan, perusahaan teknologi, serta pemerintah Kenya. Semua pihak membawa keahlian masing-masing, mulai dari ilmu data dan pemodelan komputer, pengetahuan kesehatan masyarakat, hingga pengalaman operasional di lapangan.
Salah satu keuntungan besar dari pendekatan ini adalah kenyataan bahwa platform data yang dipakai—bernama District Health Information System 2 (DHIS2)—sudah digunakan oleh lebih dari 125 negara di dunia. Artinya, teknologi yang dikembangkan di Kenya sebenarnya bisa diterapkan di banyak negara lain yang juga berjuang menghadapi malnutrisi anak.
Dampak Potensial di Masa Depan
AI bukanlah solusi tunggal yang bisa menyelesaikan semua masalah malnutrisi. Namun alat ini memberikan keunggulan baru yang penting: waktu. Waktu untuk merencanakan, memobilisasi sumber daya, dan menyelamatkan kehidupan anak sebelum masalah memburuk.
Jika teknologi ini diadopsi lebih luas, bukan tidak mungkin kita bisa melihat penurunan jumlah kasus malnutrisi di tempat-tempat yang selama ini sulit diprediksi. Bukan hanya Kenya, tetapi negara lain di Afrika, Asia, bahkan wilayah lain di dunia bisa memanfaatkan alat serupa untuk mempercepat respon terhadap krisis gizi.
Kesimpulan
Penelitian ini menunjukkan bagaimana teknologi modern seperti kecerdasan buatan dan machine learning dapat memainkan peran penting dalam menyelesaikan masalah kemanusiaan yang sangat serius seperti malnutrisi anak. Dengan memadukan data klinis dan data lingkungan, alat AI ini mampu memprediksi ancaman malnutrisi hingga enam bulan ke depan dengan tingkat akurasi tinggi, memberikan pemerintah dan organisasi kemanusiaan kesempatan berharga untuk bertindak lebih cepat dan efektif. Kolaborasi multi-pihak dan dashboard visualisasi menjadikan teknologi ini bukan hanya sebagai alat riset, tetapi juga sarana praktis untuk menyelamatkan nyawa anak di masa depan.
Referensi:
[1] https://viterbischool.usc.edu/news/2025/05/new-study-shows-ai-can-predict-child-malnutrition-support-prevention-efforts/, diakses pada 1 Januari 2026
[2] Girmaw Abebe Tadesse, Laura Ferguson, Caleb Robinson, Shiphrah Kuria, Herbert Wanyonyi, Samuel Murage, Samuel Mburu, Rahul Dodhia, Juan M. Lavista Ferres, Bistra Dilkina. Forecasting acute childhood malnutrition in Kenya using machine learning and diverse sets of indicators. PLOS One, 2025; 20 (5): e0322959. DOI: 10.1371/journal.pone.0322959
