Universitas di Malang membangun pusat riset AI yang fokus pada kesehatan dan perubahan iklim

En bref

• Malang menjadi sorotan karena universitas membangun pusat riset AI yang diarahkan untuk menjawab kebutuhan nyata di kesehatan dan perubahan iklim.
• Pusat ini menyiapkan jalur dari penelitian hingga penerapan: konsultasi untuk industri, pelatihan, sertifikasi, dan kolaborasi lintas lembaga.
• Ekosistem nasional mulai terbentuk: CoE di Jakarta (2025), experience center di Solo dan Jayapura, serta pusat kampus di UB; pada 2026 fokusnya adalah memperkuat dampak dan tata kelola.
• Target talenta digital menuju 2030 mendorong kampus merancang kurikulum dan proyek yang lebih terukur, termasuk machine learning dan pemrosesan bahasa alami.
• Isu penting yang mengiringi percepatan: privasi data kesehatan, integritas model, etika, dan sustainabilitas komputasi.

Di Malang, pembangunan pusat riset AI di lingkungan universitas bukan sekadar tren teknologi, melainkan respons terhadap dua tekanan besar yang kian terasa: beban layanan kesehatan yang menuntut keputusan cepat dan akurat, serta perubahan iklim yang mengubah pola penyakit, risiko bencana, hingga ketahanan pangan. Setelah peresmian AI Center Universitas Brawijaya (UB) pada awal 2025 oleh Menteri Komunikasi dan Digital Meutya Hafid, diskusi publik bergerak dari “kapan mulai” menjadi “bagaimana dampaknya diukur”. Pada 2026, pertanyaan itu makin tajam: apakah riset kampus bisa menjelma menjadi prototipe yang dipakai rumah sakit, dinas lingkungan, atau petani di sekitar Jawa Timur?

Pusat ini hadir di tengah ekosistem nasional yang sedang dibangun. Pemerintah mendorong investasi swasta dan kolaborasi internasional, sembari menata standar keamanan data dan kualitas model. Dalam konteks itulah Malang—dengan jejaring perguruan tinggi, rumah sakit pendidikan, dan komunitas startup—punya peluang menguji gagasan AI secara cepat dan bertanggung jawab. Di bawah permukaan, yang dipertaruhkan bukan hanya reputasi kampus, melainkan pola baru kerja sama: peneliti, dokter, pemerintah daerah, dan industri bertemu dalam satu peta jalan inovasi yang berorientasi pada manusia dan lingkungan.

AI Center universitas di Malang: arah strategis pusat riset untuk kesehatan dan perubahan iklim

Ketika sebuah universitas di Malang membangun pusat riset AI, tantangan pertama bukan memilih perangkat atau server, melainkan merumuskan masalah prioritas yang relevan dan bisa diukur. AI Center di UB sejak awal diposisikan untuk mendorong penelitian dan pemanfaatan kecerdasan buatan di berbagai bidang, dengan penekanan pada pertanian, peternakan, dan kesehatan. Pada 2026, fokus itu dapat diperluas secara natural ke perubahan iklim karena dampaknya beririsan langsung dengan kesehatan masyarakat, dari peningkatan penyakit vektor hingga gangguan kualitas udara.

Pusat semacam ini bekerja seperti “jembatan” antara laboratorium dan dunia nyata. Di ruang akademik, riset bisa mengejar model terbaik di atas kertas; di lapangan, dokter dan pengambil kebijakan butuh sistem yang stabil, bisa diaudit, dan mudah dipakai. Karena itu, model kerja yang efektif biasanya memadukan tiga lintasan: riset fundamental (misalnya optimasi model dan interpretabilitas), riset terapan (prototipe untuk klinik atau pemantauan lingkungan), dan translasi (uji coba terbatas, validasi, serta panduan penggunaan).

Dalam kasus Malang, kekuatan tambahan datang dari konteks kota pendidikan. Mahasiswa bisa menjadi “tenaga penggerak” untuk proyek data, sementara dosen dan mitra klinis memastikan pendekatan tetap ilmiah. Di sisi lain, keberadaan mitra industri membuka jalur pendanaan dan komputasi, sekaligus memaksa hasil riset lebih disiplin: dokumentasi rapi, metrik jelas, dan jadwal implementasi realistis.

Rancang-bangun layanan: konsultasi, pelatihan, sertifikasi, dan pendampingan implementasi

Salah satu pembeda AI Center kampus adalah layanan konsultasi untuk organisasi yang ingin memakai AI, dari perencanaan sampai evaluasi. Layanan ini penting karena banyak institusi terjebak di dua ekstrem: membeli solusi “siap pakai” yang tidak sesuai data lokal, atau membangun sendiri tanpa standar mutu. Tim ahli dapat memetakan kebutuhan, menilai kesiapan data, memilih metode, lalu mengawal uji coba hingga ada bukti dampak.

Pelatihan dan sertifikasi juga menjadi tulang punggung. Materi seperti pembelajaran mesin, deep learning, dan pemrosesan bahasa alami bukan hanya untuk mahasiswa, tetapi juga profesional—misalnya analis data di dinas kesehatan atau engineer di perusahaan logistik. Target nasional talenta digital menuju 2030 (dengan basis saat ini sekitar 3 juta dan kebutuhan percepatan ratusan ribu hingga mendekati 1 juta per tahun) membuat program semacam ini semakin relevan. Dampaknya tidak berhenti di kelas: lulusan pelatihan diharapkan mampu mengerjakan proyek nyata dengan etika dan keamanan yang benar.

Agar pelatihan tidak menjadi rutinitas sertifikat semata, pendekatan berbasis proyek dapat digunakan. Contohnya, peserta diminta membangun model prediksi kunjungan IGD berdasarkan data historis yang dianonimkan, lalu mempresentasikan risiko bias dan rencana mitigasi. Di sinilah teknologi bertemu tanggung jawab sosial. Insight akhirnya sederhana: kualitas pusat riset tak diukur dari banyaknya poster kegiatan, melainkan dari kemampuan mengubah kompetensi menjadi layanan publik yang lebih baik.

Riset AI untuk kesehatan: dari triase klinis hingga deteksi dini penyakit terkait iklim

Di ranah kesehatan, AI sering dipahami sebagai alat “membaca gambar” seperti radiologi. Padahal, kebutuhan lapangan jauh lebih luas: mengurangi waktu tunggu pasien, membantu triase, memprediksi ketersediaan tempat tidur, hingga mengoptimalkan rantai pasok obat. Pusat riset di universitas dapat mengambil peran sebagai penguji metode—memastikan model akurat dan aman sebelum dipakai di fasilitas layanan.

Bayangkan sebuah cerita kerja sama yang realistis: seorang dokter muda di rumah sakit pendidikan Malang, sebut saja Dr. Rani, menghadapi lonjakan kasus demam berdarah setelah musim hujan yang tak menentu. Data pasien ada, data curah hujan dan suhu tersedia dari sumber terbuka, tetapi tak pernah “bertemu” dalam satu analisis. Tim pusat riset membangun pipeline data: pembersihan, anonimisasi, penyelarasan waktu, lalu model prediksi risiko per kecamatan. Hasilnya bukan sekadar angka, melainkan dashboard yang membantu puskesmas menyiapkan stok, melakukan edukasi, dan mengarahkan fogging secara lebih presisi.

Contoh lain adalah pemrosesan bahasa alami untuk meringkas catatan medis. Di Indonesia, catatan sering campuran bahasa Indonesia, singkatan, dan istilah lokal. Model NLP yang dilatih khusus pada konteks klinis lokal bisa membantu dokter mengekstrak informasi penting (alergi, komorbid, riwayat obat) tanpa mengorbankan privasi. Namun pusat riset wajib menetapkan batas: model harus diuji terhadap kesalahan fatal (misalnya salah menandai alergi), dan setiap rekomendasi harus bersifat “bantu keputusan”, bukan pengganti dokter.

Privasi, bias, dan keamanan: syarat wajib agar inovasi tidak merugikan pasien

Data kesehatan adalah salah satu jenis data paling sensitif. Ketika universitas membangun pusat riset, tata kelola data harus diperlakukan seperti fondasi gedung: tak terlihat, tetapi menentukan keselamatan. Praktik yang lazim mencakup anonimisasi, pembatasan akses berbasis peran, audit log, serta kebijakan retensi data. Selain itu, evaluasi bias harus menjadi bagian dari metodologi, misalnya memastikan model tidak menurunkan kualitas prediksi pada kelompok usia tertentu atau wilayah pinggiran.

Pada 2026, diskusi tentang privasi AI di Indonesia kian ramai, termasuk pendekatan privacy-by-design. Untuk memperluas perspektif, pembaca bisa melihat liputan tentang inovasi AI dan privasi data sebagai konteks mengapa riset kampus harus memimpin dengan standar etika yang kuat.

Di tingkat operasional, pusat riset bisa menerapkan uji “red team” internal: tim berbeda mencoba mencari celah kebocoran atau kelemahan model. Praktik ini membantu mengurangi risiko ketika prototipe dibawa ke rumah sakit. Insight akhirnya: AI di kesehatan hanya akan dipercaya jika transparan, aman, dan terbukti menurunkan beban kerja klinis tanpa mengorbankan pasien.

Untuk melihat diskusi publik tentang pemanfaatan AI di layanan kesehatan dan talenta digital, konten video berikut relevan sebagai pintu masuk perspektif praktisi.

AI dan perubahan iklim: pemodelan risiko, kualitas udara, serta adaptasi berbasis data

Perubahan iklim sering dibahas dalam bahasa yang besar—kenaikan suhu global, emisi, atau target net-zero—tetapi dampaknya di tingkat kota seperti Malang terasa dalam hal yang sangat sehari-hari: pola hujan bergeser, potensi banjir meningkat di titik tertentu, kualitas udara berubah karena kebakaran lahan di wilayah lain, dan produktivitas pertanian tertekan. Di sini, AI dapat membantu menerjemahkan data lingkungan menjadi keputusan adaptasi yang lebih cepat dan tepat.

Peran universitas sebagai pusat riset memberikan dua keuntungan. Pertama, kemampuan menggabungkan berbagai sumber data: satelit, sensor kualitas udara, stasiun cuaca, data kesehatan, serta laporan warga. Kedua, independensi ilmiah untuk menilai klaim teknologi—apakah model benar-benar prediktif, atau hanya kebetulan cocok pada data latihan. Dengan cara itu, inovasi tidak berhenti pada demo, tetapi menyentuh kebijakan.

Misalnya, model pembelajaran mesin bisa digunakan untuk memprediksi indeks kualitas udara harian di wilayah Malang Raya dengan memasukkan variabel angin, kelembapan, dan pola aktivitas. Hasil prediksi kemudian diintegrasikan ke sistem peringatan dini untuk sekolah: kapan kegiatan luar ruang perlu dibatasi, atau kapan fasilitas kesehatan harus bersiap meningkatkan layanan untuk pasien asma. Dalam skenario lain, computer vision pada citra drone membantu memetakan daerah rawan longsor setelah hujan ekstrem, sehingga langkah mitigasi bisa dilakukan sebelum kerusakan meluas.

Sustainabilitas komputasi: AI yang hemat energi dan relevan untuk kampus

Topik yang sering luput adalah jejak energi komputasi. Melatih model besar membutuhkan listrik, pendinginan, dan perangkat keras yang tidak murah. Karena itu, pusat riset yang serius perlu memasukkan sustainabilitas sebagai prinsip desain: memilih model yang cukup baik namun hemat, memanfaatkan transfer learning, menjadwalkan komputasi pada jam beban rendah, dan memonitor konsumsi energi data center.

Prinsip tersebut bisa diperluas ke riset lintas sektor. Ketika kampus meneliti AI untuk iklim, mereka sekaligus harus memastikan teknologi yang dipakai tidak menambah beban lingkungan. Pendekatan “green AI” dapat dijadikan standar internal, misalnya setiap proyek melaporkan perkiraan konsumsi komputasi dan strategi efisiensi.

Untuk memperkaya sudut pandang tentang agenda berkelanjutan di sektor lain yang masih terkait transisi energi, pembaca dapat menautkan isu inovasi ke artikel tentang bahan bakar penerbangan berkelanjutan, karena kebijakan iklim jarang berdiri sendiri. Insight akhirnya: AI untuk iklim harus mengurangi risiko sekaligus menghormati batas energi dan sumber daya.

Ekosistem nasional AI: dari CoE Jakarta hingga pusat kampus di Malang dan peluang investasi

Gerak kampus di Malang tidak berdiri sendiri. Pemerintah melalui Komdigi mendorong investasi dan kolaborasi AI, sambil mengakui bahwa Indonesia baru memiliki beberapa pusat AI yang telah diresmikan dalam beberapa bentuk: hub nasional, experience center, dan pusat riset di universitas. Pada Juli 2025, Indonesia AI Center of Excellence (CoE) diluncurkan di Jakarta sebagai penghubung kolaborasi global-lokal, melibatkan mitra industri besar seperti Indosat Ooredoo Hutchison, Cisco, dan NVIDIA. Di level edukasi publik, AI Experience Center hadir di Solo Technopark, disusul pusat serupa di Jayapura yang diarahkan untuk pengembangan talenta digital dan dukungan sektor kesehatan setempat.

Pada 2026, tantangannya adalah memastikan simpul-simpul ini tidak berjalan terpisah. Pusat kampus seperti di Malang dapat berperan sebagai “mesin riset dan talenta”, sementara CoE nasional menjadi penghubung standar, akses komputasi, dan jejaring industri. Experience center dapat menjadi etalase literasi AI untuk masyarakat, yang mengurangi jarak antara teknologi dan publik. Jika masing-masing simpul mengambil fungsi yang jelas, ekosistem menjadi lebih efisien: riset tak mengulang, talenta punya jalur magang, dan industri memiliki titik masuk untuk konsultasi.

Model kolaborasi pendanaan: peran swasta, telekomunikasi, dan inkubasi startup

Komdigi juga secara terbuka mendorong peran swasta, termasuk perusahaan telekomunikasi dalam dan luar negeri, untuk berinvestasi di proyek AI. Salah satu rencana besar yang banyak dibicarakan adalah pengembangan pusat AI di Solo Technopark yang juga diproyeksikan sebagai inkubasi startup berbasis model AI, dengan nilai investasi sekitar US$200 juta (sekitar Rp3,3 triliun menggunakan asumsi kurs Rp16.376). Angka sebesar itu menunjukkan bahwa pembangunan ekosistem tidak hanya soal laboratorium, tetapi juga rantai nilai: talenta, komputasi, pasar, dan regulasi.

Namun investasi akan masuk jika ada kepastian kebijakan. Diskursus tentang insentif juga ikut membentuk lanskap. Untuk melihat konteks kebijakan fiskal yang sering dibahas pelaku usaha, rujukan seperti insentif pajak untuk AI memberi gambaran mengapa pusat riset perlu memahami bahasa bisnis, bukan hanya bahasa jurnal.

Di Malang, pola kolaborasi yang mungkin adalah “kemitraan tiga pihak”: universitas menyumbang metodologi dan talenta, rumah sakit atau pemda menyediakan problem dan data yang sah, sementara industri memberi dukungan komputasi serta jalur produksi. Agar tidak timpang, kontrak kolaborasi perlu mengatur kepemilikan kekayaan intelektual, pembagian manfaat, serta mekanisme audit. Insight akhirnya: ekosistem AI kuat bukan yang paling ramai event, melainkan yang paling rapi tata kelola dan paling jelas alur nilai inovasinya.

Untuk memperdalam perspektif tentang pembangunan pusat AI dan strategi nasional, video berikut bisa menjadi referensi diskusi yang kerap muncul di ruang publik.

Roadmap implementasi di universitas: kurikulum, standar penelitian, dan dampak terukur di Malang

Membangun pusat riset AI di universitas menuntut roadmap yang konkret. Banyak pusat jatuh pada jebakan “serba bisa” tanpa prioritas, sehingga penelitian tercerai-berai dan dampaknya sulit diukur. Di Malang, roadmap yang sehat dapat dimulai dari pemetaan kebutuhan daerah: beban penyakit, kualitas udara, risiko banjir/longsor, dan ketahanan pangan. Dari situ, universitas memilih beberapa proyek unggulan yang bisa dijadikan etalase penerapan—bukan etalase teknologi, melainkan etalase manfaat.

Secara internal, kurikulum perlu diselaraskan dengan kebutuhan proyek. Pelatihan machine learning dan deep learning tidak berhenti pada teori, tetapi melatih mahasiswa menulis dokumentasi, membuat pipeline data, menguji performa pada data out-of-sample, serta memikirkan keamanan. Sertifikasi dapat menjadi nilai tambah, namun yang paling dicari industri adalah portofolio yang menunjukkan kemampuan memecahkan masalah nyata.

Indikator dampak dan tata kelola: dari metrik model sampai manfaat publik

Agar dampak terukur, pusat riset dapat memakai indikator berlapis. Lapisan pertama adalah metrik teknis: akurasi, sensitivitas-spesifisitas untuk kasus kesehatan, atau error prediksi untuk kualitas udara. Lapisan kedua adalah metrik operasional: pengurangan waktu tunggu, efisiensi tenaga, atau peningkatan ketepatan peringatan dini. Lapisan ketiga adalah metrik sosial-lingkungan: apakah layanan lebih adil bagi wilayah pinggiran, apakah adaptasi iklim mengurangi kerugian, dan apakah ada penghematan sumber daya.

Berikut contoh kerangka sederhana yang bisa dipakai sebagai acuan lintas proyek di pusat riset kampus.

Di level tata kelola, pusat riset sebaiknya memiliki komite etik dan keamanan data yang meninjau proyek sebelum berjalan, terutama proyek kesehatan. Proses ini bukan birokrasi penghambat, melainkan “rem” yang menyelamatkan reputasi universitas dan melindungi warga.

Langkah praktis membangun pipeline proyek: dari ide hingga uji coba lapangan

Untuk menghindari riset yang berhenti di prototype, pusat riset dapat menerapkan alur kerja yang disiplin. Daftar berikut menggambarkan urutan yang sering berhasil di lingkungan universitas:

1. Definisi masalah: siapa pengguna, keputusan apa yang dibantu, dan risiko jika model salah.
2. Audit data: sumber, kualitas, hak akses, skema anonimisasi, dan potensi bias.
3. Baseline sederhana: model awal yang mudah dijelaskan sebagai pembanding.
4. Eksperimen terkontrol: peningkatan metode dengan dokumentasi yang bisa direplikasi.
5. Validasi lapangan: uji di unit kecil (misalnya satu puskesmas) dengan monitoring.
6. Evaluasi dampak: mengukur manfaat, biaya, dan efek samping.
7. Skalasi bertahap: memperluas penggunaan sambil menguatkan pelatihan pengguna.

Jika alur ini konsisten, Malang berpeluang menjadi rujukan bagaimana teknologi dan inovasi kampus memberi manfaat langsung, sekaligus memelihara standar ilmiah. Insight akhirnya: pusat riset yang kuat bukan yang “paling canggih”, melainkan yang paling bisa dipertanggungjawabkan dan paling dekat dengan kebutuhan publik.