Sebuah algoritma yang lazim dipakai toko swalayan untuk menebak isi keranjang belanja pernah diarahkan ke data pasien Sumenep. Hasilnya menarik. Di Masalembu, salah satu kecamatan kepulauan terjauh kabupaten ini, dua diagnosa yang sekilas tak berhubungan ternyata selalu muncul bersamaan dalam data.

Temuan itu datang dari Ach. Nur Aqil Wahid dan Donny Avianto, peneliti dari Universitas Teknologi Yogyakarta. Riset mereka terbit pada 2023 di Jurnal Ilmiah NERO Universitas Trunojoyo Madura. Skalanya kecil, tetapi pelajarannya besar: data kesehatan yang selama ini sekadar direkap ternyata bisa dihitung ulang oleh mesin untuk menemukan pola yang luput dari mata.

Pertanyaan berikutnya lebih mendesak: bisakah cara yang sama dipakai untuk membaca gejala wabah DBD Sumenep sebelum ia meledak?

Algoritma Keranjang Belanja di Ruang Periksa

Algoritma yang dipakai Aqil Wahid bernama FP-Growth, singkatan dari Frequent Pattern Growth. Di dunia ritel, ia bertugas menjawab pertanyaan seperti "pembeli roti biasanya juga membeli apa?". Cara kerjanya ringkas. Seluruh data dipadatkan ke dalam struktur pohon yang disebut FP-Tree, lalu algoritma menggali kombinasi yang paling sering muncul tanpa harus menguji semua kemungkinan satu per satu. Karena itu ia cepat, bahkan untuk data bertahun-tahun.

Aqil Wahid dan Avianto mengganti isi keranjang belanja dengan diagnosa pasien per kecamatan. Hasilnya diukur dengan dua angka. Support menunjukkan seberapa sering sebuah kombinasi muncul. Confidence menunjukkan seberapa kuat kombinasi itu terbukti: jika A ada, seberapa sering B ikut. Setelah mencoba berbagai ambang secara bertahap, mereka menemukan di Masalembu, pada ambang 0,6, bahwa diagnosa neoplasma jinak berkorelasi dengan ileus paralitik dan obstruksi usus, dengan support 0,8 dan confidence 1. Artinya, dalam data itu, setiap kali diagnosa pertama muncul, diagnosa kedua selalu menyertainya. Hasil penambangan lalu ditampilkan dalam aplikasi web berbasis Streamlit agar mudah dibaca.

Keunggulan terbesar FP-Growth justru sering dilupakan: ia bisa dijelaskan. Model deep learning kerap bekerja seperti kotak hitam, sementara FP-Growth menghasilkan kalimat sederhana, "jika ini dan itu terjadi, maka anu ikut terjadi".

Bagi kepala dinas yang harus mempertanggungjawabkan anggaran fogging, kalimat seperti itu jauh lebih berguna daripada skor probabilitas tanpa penjelasan.

Keterbatasannya juga perlu dicatat dengan jujur. Riset ini membaca korelasi antardiagnosa, bukan siklus wabah. Datanya tanpa dimensi waktu dan tanpa faktor lingkungan. Support dan confidence setinggi itu biasanya lahir dari data yang tidak besar, sehingga pola perlu diuji ulang dengan data lebih luas. Korelasi, sekuat apa pun, belum tentu sebab-akibat.

Dari Diagnosa ke Gejala Wabah

Di sinilah model Aqil Wahid bisa dikembangkan. Bayangkan setiap "keranjang" bukan lagi daftar diagnosa satu pasien, melainkan catatan satu kecamatan dalam satu minggu. Isinya curah hujan dua pekan sebelumnya, angka bebas jentik, status El Niño, kalender libur sekolah, dan apakah terjadi lonjakan kasus DBD. FP-Growth lalu menggali kombinasi kondisi yang secara historis selalu mendahului lonjakan. Aturan yang lahir, misalnya "hujan tinggi dua minggu lalu ditambah angka bebas jentik rendah berujung lonjakan kasus", bisa langsung dipakai sebagai alarm.

Gagasan ini bukan khayalan. WHO melalui program TDR sudah menjalankan logika serupa dalam sistem EWARS-csd. Sistem ini tidak menunggu jumlah kasus melewati ambang, melainkan membaca kombinasi indikator alarm meteorologis, entomologis, dan epidemiologis. Hasilnya, wabah DBD bisa diprediksi sekitar 12 minggu sebelumnya. Meksiko menjadi negara pertama yang memasangnya di sistem surveilans nasional, dan kini 17 negara ikut memakainya. Kombinasi indikator yang tepat adalah jantung sistem itu. FP-Growth adalah salah satu alat untuk menemukannya dari data lokal.

Yang Sudah Dibuktikan Sains

Bahwa wabah DBD di Indonesia punya irama yang bisa dibaca, kini punya bukti kuat. Studi di PLOS Neglected Tropical Diseases, terbit Maret 2026, menganalisis data surveilans DBD 34 provinsi selama 15 tahun bersama data iklim. Tahun-tahun El Niño kuat berkaitan dengan lonjakan nasional, dengan rata-rata insidensi 96 persen lebih tinggi dibanding tahun lain. Di 18 provinsi, waktu hujan dan waktu ledakan kasus cukup konsisten untuk dijadikan dasar peringatan dini. Di provinsi yang hubungannya signifikan, jeda antara hujan lebat dan naiknya risiko berkisar nol hingga tiga bulan.

Studi itu juga memberi catatan yang dekat dengan kita. Pola DBD Jawa Timur tercatat menyimpang dari tetangganya di kawasan Jawa-Bali, dan analisis tingkat provinsi bisa menutupi perbedaan penting di tingkat kabupaten. Para peneliti merekomendasikan sistem dua lapis: pemantauan El Niño untuk persiapan strategis berbulan-bulan ke depan, dan pemantauan iklim lokal untuk menentukan waktu intervensi 1–4 bulan sebelum puncak kasus.

Singapura sudah melangkah lebih jauh. Sejak satu dekade lalu, Badan Lingkungan Nasional (NEA) memakai model machine learning bernama LASSO untuk meramal DBD hingga tiga bulan ke depan. Datanya diperbarui mingguan dan prakiraannya dikirim ke Kementerian Kesehatan dan unit operasi lapangan. Riset terbaru di Nature Communications akhir 2025, yang dirancang bersama NEA, menambahkan data serotipe virus ke data iklim untuk meramal wabah hingga dua bulan ke depan.

Deretan Mesin Pembaca Wabah

Di luar peramalan berbasis iklim, kecerdasan buatan kini membaca wabah dari tiga arah sekaligus.

Mesin yang mendengarkan kabar

Pada 30 Desember 2019, platform AI BlueDot dari Kanada memperingatkan kliennya tentang kluster "pneumonia tak lazim" di sekitar sebuah pasar di Wuhan, sembilan hari sebelum WHO merilis peringatan resmi. Mesinnya membaca berita berbahasa lokal, data penerbangan, hingga data iklim. WHO kemudian membangun sistem serupa bernama EIOS, yang memakai pemrosesan bahasa alami untuk menyisir sumber informasi terbuka. Di Korea Selatan, EIOS membantu mendeteksi delapan kejadian rata-rata 20 hari lebih awal daripada kanal resmi WHO. Versi 2.0 yang diluncurkan Oktober 2025 bahkan bisa mengubah siaran radio menjadi teks untuk dianalisis.

Generasi terbaru memakai model bahasa besar. Pada April 2025, Boston University bersama HealthMap meluncurkan BEACON, platform surveilans sumber terbuka yang menggabungkan AI dengan jaringan ahli penyakit menular. BEACON disebut sebagai sistem pelaporan ancaman biologis pertama yang memakai AI generatif, dengan model PandemIQ Llama yang dilatih khusus untuk menganalisis laporan wabah.

Mesin yang meramal dari langit

Vietnam menjalankan sistem D-MOSS sejak Juni 2019 untuk meramal DBD di 63 provinsi hingga enam bulan ke depan, dengan memadukan citra satelit dan prakiraan iklim musiman. Evaluasinya pada 2026 menunjukkan prakiraan D-MOSS mengungguli model pembanding di hampir semua ukuran kinerja. Riset lanjutan di Provinsi Ba Ria–Vung Tau memakai data mingguan tingkat kecamatan selama 20 tahun dan 17 variabel iklim dari satelit, diolah dengan deep learning spasiotemporal untuk memprakirakan kasus mingguan sekaligus risiko wabah ekstrem.

Malaysia mengembangkan model berbasis jaringan Bayesian yang memadukan data cuaca dan indeks jentik dari Kementerian Kesehatan. Akurasinya berkisar 79–84 persen, dan model itu dikemas dalam antarmuka grafis untuk membantu warga di wilayah rawan.

Mesin yang memburu jentik

Inovasi paling dekat justru datang dari negeri sendiri. Peneliti Stanford bersama mitra di Indonesia menerbangkan drone di Kecamatan Tallo, Makassar, wilayah dengan riwayat DBD tinggi, lalu memakai deep learning untuk mendeteksi ban bekas secara otomatis. Ban bekas adalah sarang favorit Aedes aegypti karena menampung air, teduh, dan jarang disentuh. Di Tiongkok, kerangka serupa berbasis model YOLO v7 berhasil menemukan 97 persen calon sarang nyamuk dengan tepat. Riset lain mencatat bahwa menyasar sekitar separuh sarang utama saja bisa sama efektifnya dengan menyasar semuanya, sehingga tenaga dan biaya bisa dihemat.

Pelajaran dari Angka yang Menipu

Kecanggihan tidak menjamin kegunaan. Sebuah riset di Selangor, Malaysia, menguji beberapa model machine learning untuk meramal wabah DBD. Model terbaik mencatat akurasi 70 persen, angka yang tampak meyakinkan. Namun, sensitivitasnya hanya 14 persen. Artinya, model itu tampak pintar karena jitu menebak minggu-minggu tanpa wabah, tetapi sebagian besar wabah justru lolos. Inilah alasan setiap model, termasuk aturan hasil FP-Growth, wajib diuji dengan ukuran yang tepat: berapa wabah yang tertangkap, bukan sekadar berapa tebakan yang benar.

Pelajaran kedua menyangkut kerapatan data. Riset lain di Malaysia yang merancang sistem peringatan dini berbasis Internet of Things merekomendasikan penakar hujan dipasang berjarak 3–4 kilometer di titik rawan DBD, agar data curah hujan cukup akurat untuk model. Tanpa data sehalus itu, mesin hanya membaca rata-rata yang menyesatkan.

Sumenep di Antara Angka

Data DBD Sumenep memperlihatkan mengapa kedua pelajaran itu penting. Sepanjang 2024, situs resmi Pemkab Sumenep mencatat 1.323 kasus dengan 10 kematian, sementara angka 1.243 muncul dalam keterangan dinas yang sama kepada Antara sebulan kemudian. Sepanjang 2025 tercatat 1.159 kasus. Hingga Juni 2025, dari 784 kasus, 349 menimpa anak-anak, dan tujuh orang meninggal, tiga di antaranya balita. Tahun 2026 dibuka dengan 70 kasus dalam tiga pekan pertama Januari.

Polanya pun berpindah. Pada 2024, kecamatan paling rawan adalah Saronggi dan Bluto. Awal 2025, kasus terkumpul di Lenteng, Dungkek, dan Guluk-Guluk. Pertengahan 2025, Kalianget memimpin dengan 90 kasus.

Angka resmi juga hampir pasti lebih kecil daripada kenyataan. Tinjauan sistematis 2026 menemukan faktor pengali pelaporan DBD di Indonesia berkisar 1,66 untuk pasien rawat inap hingga 34,01 untuk pasien rawat jalan. Wabah yang bergerak dan sebagian tak tercatat seperti ini tidak bisa dibaca dari rekap tahunan.

Menghitung Ulang, Mulai dari Masalembu

Modal Sumenep sebenarnya lengkap untuk langkah pertama. Ada riset lokal yang membuktikan data kesehatan daerah bisa diajak bicara. Ada algoritma yang murah, cepat, dan bisa dijelaskan.

Ada contoh dari Makassar bahwa teknologi pemburu jentik bisa bekerja di kota Indonesia. Yang dibutuhkan adalah jembatan: data kasus mingguan per puskesmas yang dicatat seragam, angka bebas jentik yang masuk ke wadah yang sama dengan data BMKG, dan kerja sama terbuka antara Dinas Kesehatan dan kampus seperti Universitas Trunojoyo Madura.

Riset Ach Nur Aqil Wahid dimulai dari Masalembu, dari pola yang tak terlihat di antara diagnosa. Langkah berikutnya adalah menghitung ulang data yang sama dengan pertanyaan baru: kombinasi apa yang selalu datang sebelum demam berdarah?

Jika jawabannya bisa ditemukan, Sumenep tak perlu lagi menghitung korban setelah wabah pergi. Ia bisa mulai membaca tanda-tandanya sebelum wabah datang.

Redaksi BusaCare