PEMANFAATAN ARTIFICIAL INTELLIGENCE DALAM PENYUSUNAN PERENCANAAN KESEHATAN TERINTEGRASI PADA DINAS KESEHATAN KABUPATEN MAJENE: TINJAUAN LITERATUR SISTEMATIS
Keywords:
artificial intelligence; perencanaan kesehatan terintegrasi; dinas kesehatan; sistematic literature review; UTAUT; Kabupaten MajeneAbstract
Penyusunan perencanaan pada dinas kesehatan kabupaten masih menghadapi persoalan fragmentasi data dan lemahnya kapasitas analisis prediktif. Persoalan ini diperberat oleh keterbatasan integrasi antar-dokumen perencanaan (RPJMD, Renstra, Renja, dan hasil Musrenbang). Kabupaten Majene, Provinsi Sulawesi Barat, sebagai daerah dengan prevalensi stunting tertinggi di provinsinya (mencapai 40,6% pada 2022), menggambarkan kebutuhan mendesak akan perencanaan berbasis bukti. Penelitian ini bertujuan menelaah secara sistematis bagaimana Artificial Intelligence (AI) dapat dimanfaatkan untuk memecahkan masalah penyusunan perencanaan kesehatan terintegrasi pada tingkat pemerintah daerah. Metode: studi ini menggunakan pendekatan Systematic Literature Review (SLR) mengikuti protokol PRISMA 2020 terhadap artikel terindeks Scopus, PubMed/MEDLINE, dan basis data nasional pada rentang 2018–2025. Dari proses seleksi diperoleh 22 artikel (n = 22) yang memenuhi kriteria inklusi, kemudian dianalisis dengan kerangka Unified Theory of Acceptance and Use of Technology (UTAUT). Hasil: AI berkontribusi pada empat fungsi perencanaan, yaitu (1) integrasi dan pembersihan data lintas-sumber, (2) peramalan kebutuhan layanan dan beban penyakit, (3) optimalisasi alokasi sumber daya dan distribusi tenaga kesehatan, serta (4) dukungan pengambilan keputusan berbasis bukti. Tantangan utama meliputi kesiapan infrastruktur digital, tata kelola dan kualitas data, kompetensi sumber daya manusia, serta aspek etika dan regulasi. Kesimpulan: pemanfaatan AI berpotensi memperkuat perencanaan kesehatan terintegrasi pada Dinas Kesehatan Kabupaten Majene apabila diterapkan secara bertahap melalui kesiapan sistem (system readiness), penguatan tata kelola data, dan peningkatan kapasitas SDM.
References
Alshehri, A., Drew, S., Alhussain, T., & Alghamdi, R. (2018). Analysis of citizens’ acceptance for e-government services: Applying the UTAUT model. Theoretical and Applied Electronic Commerce Research. Diakses dari https://www.researchgate.net/publication/258841651
Avianta, dkk. (2025). Analisis Implementasi Artificial Intelligence dalam Dunia Kesehatan di Indonesia: Sebuah Literature Review. MALCOM: Indonesian Journal of Machine Learning and Computer Science. https://www.journal.irpi.or.id/index.php/malcom/article/download/2229/1079
Badan Perencanaan Pembangunan Daerah (Bappeda). (2023). Pengertian dan Kerangka Analisis RPJMD. https://bappeda.bulelengkab.go.id/informasi/detail/artikel/pengertian-rpjmd-26
Centers for Disease Control and Prevention (CDC). (2026). Considerations for Generative AI in Public Health. https://www.cdc.gov/ai/resources/considerations-for-genai-in-public-health.html
Ciecierski-Holmes, T., Singh, R., Axt, M., Brenner, S., & Barteit, S. (2022). Artificial intelligence for strengthening healthcare systems in low- and middle-income countries: a systematic scoping review. npj Digital Medicine, 5, 162. https://doi.org/10.1038/s41746-022-00700-y
Digicare Solutions. (2024). Indonesia Mulai Menerapkan Artificial Intelligence (AI) sebagai Akselerator Efisiensi Pelayanan Kesehatan. https://digicaresolutions.com/news/
Frontiers in Public Health. (2025). Harnessing artificial intelligence for enhanced public health surveillance: a narrative review. https://doi.org/10.3389/fpubh.2025.1601151
Frontiers in Public Health. (2025). Opportunities and challenges of artificial intelligence in public health: a systematic review on technological efficacy, ethical dilemmas, and governance pathways. https://doi.org/10.3389/fpubh.2025.1748797
GovInsider. (2023). Bagaimana AI dan cloud mendorong transformasi kesehatan di Indonesia. https://govinsider.asia/indo-en/article/
Jurnal Pembangunan Pemberdayaan Pemerintahan (J-3P). (2025). Implementasi Kebijakan Penurunan Stunting di Kabupaten Majene Provinsi Sulawesi Barat, 10(1). https://ejournal.ipdn.ac.id/JPDPP/article/download/4618/2254
Kementerian Kesehatan Republik Indonesia. (2023). Profil dan Data Prevalensi Stunting (SSGI). Jakarta: Kemenkes RI.
Kementerian Kesehatan Republik Indonesia. (2024). AI Mulai Wujudkan Efisiensi Pelayanan Kesehatan Indonesia. https://kemkes.go.id/id/ai-mulai-wujudkan-efisiensi-pelayanan-kesehatan-indonesia
Mukred, M., dkk. (2023). Validating UTAUT model for e-government adoption among employees: a pilot study. https://www.researchgate.net/publication/379558759
PMC. (2024). Transforming Public Health Practice with Artificial Intelligence: A Framework-Driven Approach. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC12897137/
Pusat Pendidikan dan Pelatihan Kementerian Dalam Negeri. (2023). Diklat Perencanaan Pembangunan Daerah Berbasis e-Planning. https://pusdiklatpemendagri.org/
ScienceDirect. (2025). Predictive modeling of hospital emergency department demand using artificial intelligence: A systematic review. International Journal of Medical Informatics. https://doi.org/10.1016/j.ijmedinf.2025
The Lancet Public Health. (2025). Artificial intelligence in public health: promises, challenges, and an agenda for policy makers and public health institutions. https://doi.org/10.1016/S2468-2667(25)00036-2
TheoryHub / Newcastle University. (2024). Unified Theory of Acceptance and Use of Technology (UTAUT). https://open.ncl.ac.uk/theories/2/
Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425–478.
Vital Strategies. (2026). The Foundations of AI-Enabled Public Health: Reimagining Public Health in the Artificial Intelligence Era (v2.0). https://www.vitalstrategies.org/the-foundations-of-ai-enabled-public-health/
Witarsyah, D., dkk. (2022). Sustainable Adoption of E-Government from the UTAUT Perspective. Sustainability, 14(9), 5370. https://doi.org/10.3390/su14095370
Zhang, Y., dkk. (2024). Enhancing Uncertain Demand Prediction in Hospitals Using Simple and Advanced Machine Learning. arXiv:2404.18670. https://arxiv.org/abs/2404.18670
