Kecerdasan Buatan (Artificial Intelligence/AI) kini menjadi tulang punggung revolusi medis abad ke-21. Dengan kemampuan menganalisis citra medis, mengenali pola penyakit, dan bahkan memprediksi kemungkinan kambuhnya kanker, AI menawarkan akurasi diagnostik yang melampaui batas kemampuan manusia.
Namun, penelitian terbaru yang diterbitkan dalam IEEE Access (2025) oleh Yehia Ibrahim Alzoubi dan timnya menunjukkan paradoks besar:
“Semakin cerdas AI kita, semakin besar energi yang dikonsumsinya.”
Model AI medis modern seperti deep neural networks dapat memakan daya listrik sebesar ratusan megawatt-jam hanya untuk proses pelatihan tunggal. Dalam istilah sains energi, ini setara dengan emisi karbon beberapa ton CO₂, cukup untuk memasok listrik sebuah rumah tangga selama bertahun-tahun.
Kenyataan ini menimbulkan pertanyaan ilmiah yang serius:
Dapatkah kita mengembangkan kecerdasan buatan yang tidak hanya pintar, tetapi juga berkelanjutan secara ekologis?
Itulah fokus utama studi Alzoubi dkk. mencari AI berkelanjutan (Sustainable AI) yang dapat mempertahankan performa klinis tinggi sambil meminimalkan dampak lingkungan dan energi.
Baca juga artikel tentang: Kombinasi Superfood dan Obat: Potensi dan Tantangannya dalam Dunia Kesehatan
Apa Itu “Sustainable AI”?
Secara ilmiah, Sustainable AI didefinisikan sebagai pendekatan pengembangan algoritma yang mengoptimalkan sumber daya komputasi tanpa menurunkan kualitas hasil.
Artinya, AI harus:
- Mengonsumsi energi sesedikit mungkin,
- Menggunakan perangkat keras efisien,
- Dan tetap mempertahankan akurasi diagnostik yang tinggi.
Prinsip ini bersandar pada tiga pilar ilmiah utama:
- Efisiensi Energi (Energy Efficiency)
Mengurangi penggunaan daya selama proses pelatihan dan inferensi (pengambilan keputusan). - Kinerja Diagnostik (Diagnostic Accuracy)
Memastikan sistem tetap akurat dalam menganalisis data medis kompleks. - Keadilan Ekologis (Environmental Fairness)
Menekan jejak karbon global akibat infrastruktur AI besar-besaran.
Dalam konteks kesehatan, ini berarti menciptakan sistem AI yang bisa mendiagnosis penyakit dengan presisi tinggi tanpa menambah beban ekologis.
Penelitian ini menggunakan metode kajian sistematis (Systematic Review), pendekatan ilmiah yang mengumpulkan, menilai, dan mengklasifikasi hasil penelitian dari ratusan sumber berbeda secara terstruktur.
Langkah-langkah ilmiah yang ditempuh:
- Pengumpulan data dari jurnal dan konferensi AI di bidang kesehatan selama 5 tahun terakhir.
- Klasifikasi algoritma berdasarkan tujuan dan efisiensi energi.
- Analisis perbandingan performa menggunakan lima dimensi sains komputasi: konsumsi energi, latensi, akurasi, kompleksitas, dan biaya.
- Sintesis hasil untuk membangun model konseptual Sustainable AI Framework.
Klasifikasi Ilmiah: Tiga Jenis AI Berkelanjutan
Alzoubi dan timnya mengelompokkan algoritma berdasarkan fungsi dan efisiensi menjadi tiga kategori utama:
a. AI Eksplisit untuk Efisiensi Energi
Dirancang khusus agar hemat daya, seperti:
- Federated Learning (FL): memungkinkan pelatihan model tanpa harus memindahkan data antar rumah sakit, menghemat energi dan menjaga privasi pasien.
- Hybrid Quantum–Classical Optimization: menggabungkan mekanika kuantum dengan perhitungan klasik untuk mengurangi beban komputasi.
- Modified Lempel–Ziv–Welch (mLZW): teknik kompresi data yang mempercepat pemrosesan citra medis tanpa kehilangan detail penting.
b. AI Tradisional yang Diadaptasi untuk Keberlanjutan
Model populer seperti CNNs, Bi-LSTMs, dan Backpropagation Neural Networks dioptimalkan melalui modifikasi arsitektur agar lebih efisien dalam penggunaan energi.
c. Teknik Pendukung Keberlanjutan AI (Sustainable Techniques)
Inovasi seperti AutoML for Model Compression (AMC), Adaptive Sampling, dan Neuromorphic Hardware memungkinkan AI berjalan di perangkat hemat daya, bahkan di rumah sakit dengan sumber listrik terbatas.
Analisis Sains: Lima Dimensi Evaluasi Efisiensi
Untuk menilai performa ilmiah dari setiap algoritma, peneliti menggunakan lima dimensi metrik komputasi:
| Dimensi | Makna Ilmiah | Contoh Temuan |
|---|---|---|
| Energy Consumption | Daya listrik yang digunakan selama pelatihan | mLZW menurunkan konsumsi energi hingga 40% |
| Latency | Waktu yang dibutuhkan untuk menghasilkan hasil diagnostik | OFA (One-shot Feature Architecture) memungkinkan deteksi cepat pada citra MRI |
| Accuracy | Tingkat presisi diagnosis penyakit | Hybrid Quantum–Classical mencapai >95% akurasi |
| Complexity | Jumlah parameter dan kedalaman model | CNN lebih efisien dibanding deep transformer dalam kasus tertentu |
| Cost | Biaya infrastruktur dan pemeliharaan | AutoML dan model terkompresi memangkas biaya hingga 60% |
Analisis ini menunjukkan bahwa AI hijau (green AI) bukan sekadar idealisme, melainkan hasil nyata dari rekayasa sains terukur.
Prinsip Ilmiah: Efisiensi tanpa Mengorbankan Akurasi
Secara termodinamika komputasi, mengurangi energi biasanya berarti mengurangi jumlah operasi matematis. Namun, dalam konteks AI medis, setiap pengurangan operasi bisa menurunkan kemampuan model mengenali pola halus, misalnya sel kanker mikro dalam citra biopsi.
Karena itu, para peneliti menerapkan pendekatan multi-objective optimization, yang menyeimbangkan dua fungsi tujuan:
Minimalkan energi (E) dan maksimalkan akurasi (A), dengan batas kendala ∂A/∂E < ε.
Artinya, AI dirancang untuk mencapai titik efisiensi optimal di mana energi ditekan seminimal mungkin tanpa penurunan akurasi signifikan.
Temuan dan Implikasi: Menuju Rumah Sakit Berbasis “Green Computing”
Penelitian ini menegaskan bahwa sistem kesehatan masa depan dapat memanfaatkan AI hemat energi tanpa mengorbankan kinerja klinis.
Beberapa rekomendasi aplikatif:
- Rumah sakit dapat menerapkan federated learning antar lembaga medis agar komputasi tersebar dan tidak membebani server pusat.
- Penggunaan edge computing memungkinkan diagnosis cepat di perangkat lokal, menghindari konsumsi daya besar di pusat data.
- Implementasi neuromorphic chips bisa mengurangi konsumsi daya hingga 100x dibanding GPU konvensional.
Secara praktis, pendekatan ini memungkinkan negara berkembang dengan infrastruktur terbatas untuk mengadopsi AI medis yang efisien dan terjangkau.
Perspektif Etis dan Lingkungan
Dari perspektif sains lingkungan dan etika teknologi, penelitian ini memperluas makna “inovasi medis berkelanjutan.” Jika AI bertujuan menyelamatkan nyawa, maka tanggung jawab ilmiah dan moralnya adalah tidak merusak planet tempat manusia hidup.
AI yang berkelanjutan bukan hanya efisien, tetapi juga:
- Mengurangi emisi karbon global,
- Menghemat sumber daya alam,
- Dan mendukung kesehatan lingkungan sebagai bagian dari kesehatan manusia.
Dalam era di mana kecepatan komputasi sering dijadikan tolak ukur kemajuan, Alzoubi dan rekan-rekannya mengingatkan bahwa kecerdasan sejati adalah yang memahami batas sumber daya alam.
Studi ini membentuk paradigma baru:
Dari “AI yang kuat” menuju “AI yang cerdas secara ekologis.”
Dengan perpaduan fisika kuantum, optimisasi algoritmik, dan kesadaran energi, dunia medis dapat melahirkan generasi baru teknologi yang bukan hanya menyelamatkan pasien, tetapi juga menyelamatkan bumi.
Baca juga artikel tentang: Infiltrasi Mikroplastik dalam Makanan: Disrupsi Sistem Farmakologi dan Kesehatan Manusia
REFERENSI:
Alzoubi, Yehia Ibrahim dkk. 2025. A Systematic Review and Evaluation of Sustainable AI Algorithms and Techniques in Healthcare. IEEE Access.
