APPI News — Teknologi

Apple Intelligence lolos registrasi di Tiongkok lewat Alibaba dan Baidu

Redaksi APPI News — Sun, 09 Aug 2026 06:05:40 GMT

Otoritas Siber Tiongkok mendaftarkan Apple Intelligence untuk digunakan pada iPhone pada 15 Juli 2026. Reuters melaporkan registrasi itu membuka jalan bagi peluncuran layanan AI generatif Apple di Tiongkok. Layanan tersebut akan memakai kemampuan model yang dikembangkan Alibaba dan Baidu, bukan susunan teknologi yang sama dengan versi global. Regulator belum mencantumkan tanggal peluncuran.

Apple menyiapkan susunan model khusus untuk menghadirkan Apple Intelligence di Tiongkok (ilustrasi).

Registrasi mengakhiri satu hambatan, bukan seluruh proses

Apple memperkenalkan Apple Intelligence secara global pada 2024, tetapi layanannya tertunda di Tiongkok karena belum memperoleh persetujuan regulator. Registrasi pada Juli 2026 menghapus salah satu hambatan utama untuk iPhone yang dipasarkan di negara tersebut. South China Morning Post melaporkan izin itu berlaku untuk iPhone dan diberikan bersama enam layanan AI ponsel lain. Cakupan izin untuk iPad dan Mac belum dijelaskan dalam pemberitahuan yang sama.

Makna “terdaftar” perlu dibedakan dari “sudah tersedia”. Pengguna belum otomatis menerima fitur setelah nama layanan masuk daftar regulator. Apple masih perlu menyiapkan distribusi perangkat lunak dan integrasi sistem sebelum layanan dibuka. Karena tanggal resmi belum diumumkan, perkiraan peluncuran pada siklus pembaruan tertentu tetap bersifat spekulatif.

Qwen masuk ke ekosistem Apple di Tiongkok

Alibaba memberikan konfirmasi paling rinci mengenai bagian teknologinya. Perusahaan itu menyatakan Qwen akan terintegrasi dengan pengalaman Apple Intelligence di iOS, iPadOS, macOS, dan visionOS. Kemampuan yang disebut mencakup pemahaman serta pembuatan teks dan gambar. Pernyataan tersebut belum menjelaskan arsitektur pemrosesan data atau fitur yang dijalankan pada setiap perangkat.

Baidu juga mengonfirmasi kerja sama dengan Apple, tetapi ruang lingkupnya belum dipaparkan secara terbuka. Juru bicara Baidu mengatakan perusahaan sedang mengembangkan fitur Apple Intelligence untuk pengguna iPhone di Tiongkok. Belum ada dasar publik yang cukup untuk menetapkan Baidu khusus menangani Siri, pencarian visual, atau persentase tugas tertentu. Rincian pembagian 65 persen untuk Alibaba dan 35 persen untuk Baidu karena itu tidak digunakan dalam laporan ini.

Alibaba dan Baidu terlibat dalam rancangan lokal Apple Intelligence, tetapi pembagian teknis lengkap belum diumumkan (ilustrasi).

Mengapa layanan AI asing memerlukan rancangan lokal

Tiongkok memberlakukan Aturan Sementara untuk Pengelolaan Layanan AI Generatif sejak 15 Agustus 2023. Aturan resmi itu mencakup layanan yang menghasilkan teks, gambar, audio, atau video bagi publik di wilayah Tiongkok. Penyedia juga memikul kewajiban terkait sumber data pelatihan, pelindungan informasi pribadi, penandaan konten, dan penanganan materi terlarang. Kerangka tersebut berlaku pada layanan publik, bukan seluruh kegiatan riset dan pengembangan internal.

Layanan dengan atribut opini publik atau kemampuan mobilisasi sosial wajib menjalani penilaian keamanan dan pendaftaran algoritma. Aturan yang sama memungkinkan regulator mengambil tindakan terhadap layanan dari luar Tiongkok yang tidak memenuhi ketentuan. Ketentuan ini menjelaskan mengapa persetujuan pasar berkaitan dengan susunan penyedia model dan pengelolaan layanan. Namun, dokumen publik yang diperiksa tidak menguraikan aliran data Apple Intelligence secara teknis.

Registrasi algoritma dan penilaian keamanan menjadi bagian dari tata kelola layanan AI generatif di Tiongkok (ilustrasi).

Implikasi bagi strategi produk Apple

Rancangan ini menunjukkan bahwa satu merek layanan dapat memakai komponen AI berbeda menurut yurisdiksi. Di Tiongkok, Apple bergantung pada model dan mitra lokal untuk melewati jalur regulasi yang berlaku. Konsekuensinya, ketersediaan fitur serta pengelolaan data tidak boleh diasumsikan identik dengan versi di negara lain. Penilaian yang lebih pasti menunggu dokumentasi teknis dan kebijakan privasi untuk versi Tiongkok.

Bagi pembaca Indonesia, kasus ini relevan sebagai contoh hubungan antara akses pasar, tata kelola AI, dan pilihan pemasok teknologi. Kasus tersebut bukan bukti bahwa Indonesia menerapkan prosedur registrasi perangkat yang sama. Sampai artikel ini disusun, kami belum menemukan dokumen resmi dari lembaga di Indonesia yang memuat mekanisme pembanding khusus untuk AI generatif pada perangkat. Perbandingan langsung antarkedua negara karena itu memerlukan kajian regulasi tersendiri.

Ketersediaan fitur AI pada ponsel bergantung pada integrasi teknis dan persetujuan di setiap pasar (ilustrasi).

Pertanyaan umum

Apakah Apple Intelligence sudah tersedia di Tiongkok?
Registrasi regulator telah selesai untuk penggunaan pada iPhone, tetapi pengumuman tersebut tidak menyebut tanggal peluncuran. Registrasi membuka jalan bagi peluncuran dan tidak sama dengan ketersediaan langsung bagi seluruh pengguna.

Apa peran Alibaba dan Baidu?
Alibaba menyatakan model Qwen akan terintegrasi dengan Apple Intelligence untuk kemampuan seperti pemahaman serta pembuatan teks dan gambar. Baidu mengonfirmasi pengembangan fitur bersama Apple, sedangkan pembagian teknis terperinci belum diumumkan.

Mengapa Apple tidak memakai susunan versi global?
Layanan AI generatif untuk publik di Tiongkok tunduk pada aturan mengenai penilaian keamanan, pendaftaran algoritma, data, dan konten. Integrasi mitra lokal menjadi bagian dari rancangan yang dipakai Apple untuk memenuhi jalur pasar tersebut.

AI medis lintas rumah sakit tanpa memindahkan data pasien

Redaksi APPI News — Sat, 08 Aug 2026 17:08:14 GMT

Rumah sakit memerlukan data dari banyak populasi agar model AI medis tidak hanya mengenali pola di satu institusi. Pemindahan rekam pasien ke satu pusat menambah persoalan hukum, keamanan, dan kendali akses. Pembelajaran terfederasi (federated learning) menawarkan susunan lain: data tetap di rumah sakit, sedangkan model berpindah untuk dilatih. Server pusat kemudian menggabungkan pembaruan model dari seluruh peserta.

Model belajar di tempat data disimpan

McMahan dan rekan-rekannya menjelaskan pada 2017 bahwa model bersama bisa dipelajari dengan mengagregasi pembaruan yang dihitung secara lokal. Setiap peserta menerima salinan model global, melatihnya memakai data sendiri, lalu mengirim perubahan parameter. Data pelatihan tidak diunggah ke server pusat. Proses itu berulang sampai model mencapai sasaran pelatihan.

Susunan tersebut berbeda dari pelatihan terpusat. Dalam skema terpusat, salinan data dari seluruh rumah sakit dikumpulkan dalam satu lingkungan komputasi. Pada pembelajaran terfederasi, pusat menerima hasil perhitungan lokal, bukan berkas rekam pasien. Pengelola tetap perlu menentukan siapa yang boleh ikut, pembaruan mana yang diterima, dan bagaimana model diaudit.

Data kesehatan berada dalam perlindungan khusus di Indonesia

UU No. 27 Tahun 2022 tentang Pelindungan Data Pribadi menggolongkan informasi kesehatan, biometrik, dan genetika sebagai data pribadi spesifik. Undang-undang itu juga mengatur dasar pemrosesan, hak subjek data, serta kewajiban pengendali dan prosesor. Karena itu, lokasi penyimpanan bukan satu-satunya ukuran kepatuhan. Pelatihan lokal tetap termasuk pemrosesan data dan membutuhkan tata kelola yang sah.

Pembelajaran terfederasi mengurangi kebutuhan menyalin data mentah ke luar rumah sakit, tetapi tidak menggantikan aturan perlindungan data. Persetujuan, pembatasan tujuan, keamanan sistem, dan pembagian tanggung jawab tetap harus ditetapkan. Rumah sakit juga perlu mengendalikan akses pengembang terhadap lingkungan pelatihan. Keputusan klinis berbasis model memerlukan jalur validasi yang terpisah dari arsitektur penyimpanan data.

Bukti konsep tersedia, implementasi Indonesia belum setara

Studi dalam Nature Medicine melatih model untuk memprediksi respons histologis kanker payudara triple-negatif dengan data dari empat pusat kanker Prancis. Data pasien tetap terlindungi di balik sistem tiap rumah sakit. Model kolaboratif meningkatkan kinerja dibandingkan model lokal dalam studi tersebut. Para penulis menyebut hasilnya sebagai bukti konsep, bukan standar layanan klinis.

Di Indonesia, pembahasan sudah muncul dalam lingkungan Kementerian Kesehatan (Kemenkes). Analisis Badan Kebijakan Pembangunan Kesehatan pada 26 Mei 2026 mengusulkan federated learning untuk pemrosesan AI tanpa pengiriman data mentah. Tulisan itu juga menyebut aturan teknis khusus untuk AI medis yang terus belajar masih belum tersedia. Dokumen tersebut adalah analisis kebijakan, bukan pengumuman jaringan nasional yang sudah beroperasi.

Sampai artikel ini disusun, kami belum menemukan dokumen resmi yang membuktikan pengoperasian jaringan pembelajaran terfederasi medis berskala nasional di Indonesia. Informasi publik yang tersedia lebih banyak membahas rancangan, peluang riset, dan kebutuhan regulasi. Tidak ada dasar untuk menyebut rumah sakit tertentu telah masuk ke konsorsium nasional. Kesenjangan ini membatasi perbandingan langsung dengan proyek lintas rumah sakit di negara lain.

Data tidak berpindah bukan berarti risiko hilang

National Institute of Standards and Technology (NIST) menjelaskan bahwa pembaruan model bisa dipakai untuk merekonstruksi sebagian data pelatihan. Serangan lain menargetkan model yang telah selesai dilatih. Artinya, kerahasiaan berkas mentah tidak otomatis menjamin kerahasiaan informasi yang dipelajari model. Pengamanan perlu mencakup seluruh siklus pelatihan dan penggunaan.

NIST menyebut agregasi aman sebagai salah satu cara agar server hanya melihat gabungan pembaruan, bukan kiriman tiap peserta. Pilihan lain mencakup enkripsi homomorfik dan lingkungan eksekusi tepercaya. Masing-masing membawa kebutuhan infrastruktur, pengelolaan kunci, dan asumsi kepercayaan tersendiri. Federasi tanpa lapisan tersebut masih membuka pembaruan individual kepada agregator.

Privasi diferensial menambah derau terukur agar model lebih sulit mengingat contoh individual. NIST mencatat bahwa derau bisa menurunkan akurasi dan perlindungan yang lebih kuat biasanya memperbesar kompromi antara privasi dan kegunaan. Dampaknya perlu diuji pada kelompok pasien yang jumlahnya kecil. Perlindungan rata-rata tidak cukup bila model gagal pada kelompok yang jarang terwakili.

Perbedaan rumah sakit memengaruhi hasil model

Komposisi pasien, alat pencitraan, protokol pemeriksaan, dan cara pencatatan tidak seragam antar-rumah sakit. Kondisi ini disebut distribusi non-IID, yaitu data tiap peserta tidak berasal dari pola statistik yang sama. Model global bisa bekerja baik secara keseluruhan tetapi lebih lemah pada satu lokasi. Evaluasi karena itu harus memisahkan hasil menurut rumah sakit dan kelompok pasien.

Masalah tata kelola muncul ketika model merugikan satu peserta atau menerima pembaruan yang buruk. Konsorsium perlu menetapkan penanggung jawab audit, kriteria penghentian, dan prosedur saat anggota keluar. Riwayat versi model serta asal pembaruan juga harus bisa ditelusuri. Arsitektur teknis tidak menjawab pembagian tanggung jawab hukum dengan sendirinya.

Pembelajaran terfederasi memberi rumah sakit pilihan untuk berkolaborasi tanpa membuat gudang data mentah bersama. Nilainya bergantung pada pengamanan pembaruan, kualitas data lokal, validasi di tiap institusi, dan aturan konsorsium. Di Indonesia, UU PDP menyediakan landasan umum untuk data kesehatan. Bukti implementasi nasional dan aturan teknis khusus masih perlu ditunjukkan lewat dokumen resmi.

AI retina otonom lolos di AS, kesiapan Indonesia belum terukur

Redaksi APPI News — Fri, 07 Aug 2026 16:59:30 GMT

Perangkat lunak AEYE-DS mengubah foto fundus menjadi hasil skrining retinopati diabetika secara otomatis. Sistem ini tidak menunggu dokter membaca ulang setiap foto sebelum mengeluarkan hasil. Namun, otonom di sini berarti keputusan awal dalam batas penggunaan yang ditetapkan regulator. Hasilnya bukan izin untuk menggantikan seluruh pemeriksaan dan perawatan mata.

FDA membuka penggunaan dengan kamera portabel

Food and Drug Administration (FDA) Amerika Serikat mencatat AEYE-DS sebagai perangkat lunak diagnostik retina kelas II. FDA mengizinkan pemasarannya melalui 510(k) K240058 pada 23 April 2024. Keputusan itu menambahkan kamera genggam Optomed Aurora sebagai perangkat yang kompatibel. Kamera Topcon NW400 sudah dipakai pada versi pembanding sebelumnya.

Dokumen FDA membatasi AEYE-DS untuk mendeteksi retinopati diabetika lebih dari ringan pada orang dewasa dengan diabetes yang belum didiagnosis retinopati. Pengguna yang dimaksud adalah tenaga kesehatan di rumah sakit atau klinik. Produk ini juga berstatus penggunaan dengan resep, bukan alat konsumen. Batas tersebut penting ketika istilah “tanpa dokter” muncul dalam promosi.

Otomatis merujuk pada hasil skrining, bukan seluruh layanan

Kamera mengambil satu foto berpusat pada makula untuk setiap mata. Perangkat klien lalu mengirim foto melalui sambungan aman ke perangkat lunak pada pusat data. Modul analitik menilai kualitas gambar dan keberadaan retinopati lebih dari ringan. Sistem mengembalikan hasil terdeteksi, tidak terdeteksi, atau kualitas tidak memadai.

Susunan itu berbeda dari AI pendukung yang hanya menandai bagian gambar untuk dibaca dokter. AEYE-DS sendiri menghasilkan klasifikasi skrining dalam ruang lingkup izin FDA. Tenaga kesehatan tetap mengambil gambar dan mengelola tindak lanjut klinis. Karena analisis berjalan pada server, tata kelola foto pasien dan ketahanan jaringan ikut menentukan penerapan.

Angka uji menunjukkan kinerja sekaligus sisa kesalahan

Dua studi FDA bersifat prospektif, multisenter, satu lengan, dan tersamar. Keduanya berlangsung di Amerika Serikat pada peserta tanpa diagnosis retinopati sebelumnya. Operator pemula mengambil foto dengan Optomed Aurora setelah pelatihan awal. Pusat pembacaan independen memakai pencitraan tambahan sebagai standar pembanding.

Dua studi mencatat sensitivitas 92–93 persen, spesifisitas 89–94 persen, dan tingkat citra yang bisa dinilai 99 persen. Nilai prediksi positifnya berbeda, yakni 68 persen dan 53 persen. FDA menjelaskan angka itu dipengaruhi prevalensi kasus sasaran sebesar 12 persen dalam kelompok uji. Akurasi tinggi karena itu tidak menghapus hasil positif yang kemudian tidak terkonfirmasi.

Perbedaan antarsistem juga terlihat pada bukti yang lebih luas. Tinjauan peneliti Universitas Indonesia atas studi di Asia menemukan sensitivitas 79,2–100 persen, sementara satu studi hanya mencapai spesifisitas 68,8 persen. Rentang itu tidak mewakili satu produk tertentu. Angka dari satu algoritma tidak layak dipindahkan ke kamera, populasi, dan layanan lain.

Pedoman Indonesia masih memakai jalur berbasis dokter

Kementerian Kesehatan (Kemenkes) menetapkan pedoman nasional retinopati diabetika pada 2023. Pedoman itu menempatkan dokter spesialis mata atau dokter umum berkompeten sebagai pelaksana deteksi awal melalui pemeriksaan segmen posterior. Foto fundus digital disebut sebagai pemeriksaan tambahan yang berguna. Dokumen tersebut tidak menjabarkan jalur keputusan otonom oleh perangkat lunak.

Pedoman yang sama mencatat keterbatasan tenaga, sarana, dan layanan mata di luar kota besar. Fasilitas deteksi dini disebut lebih banyak tersedia pada layanan sekunder dan tersier. Kamera portabel berpotensi mengubah titik pengambilan gambar. Namun, manfaatnya tetap bergantung pada pelatihan operator, rujukan, pemeliharaan perangkat, dan konektivitas.

Izin Amerika Serikat tidak berpindah otomatis ke Indonesia

Di Indonesia, izin edar alat kesehatan berada dalam lingkup Kemenkes. Portal e-Info Alkes memuat produk terdaftar dan informasi izin edar yang bisa diperiksa publik. Izin pemasaran FDA tidak menggantikan penilaian Indonesia. Nama produk, produsen, fungsi, dan nomor izin harus cocok sebelum status pemasaran disimpulkan.

Sampai artikel ini disusun, kami belum menemukan dokumen resmi Kemenkes yang menunjukkan izin edar AEYE-DS di Indonesia. Kami juga belum menemukan kategori publik yang menyatakan perangkat retina AI setara telah diizinkan membuat keputusan skrining otonom. Ketiadaan temuan ini bukan bukti bahwa produk semacam itu tidak ada. Artinya, statusnya belum bisa ditegaskan dari dokumen publik yang kami periksa.

Validasi lokal lebih penting daripada satu angka akurasi

Performa algoritma dipengaruhi populasi, kamera, mutu foto, dan posisi alat dalam alur layanan. Tinjauan atas 43 studi menemukan spesifisitas bervariasi dan banyak bukti berisiko bias atau belum tentu berlaku pada tempat lain. Para penulis meminta penilaian sebelum implementasi pada jalur klinis sasaran. Pengujian semacam ini perlu menghitung gambar gagal, rujukan berlebih, dan kasus yang terlewat.

Bagi Indonesia, pertanyaan utamanya melampaui kemampuan algoritma membaca satu foto. Sistem harus terhubung dengan fasilitas yang menerima rujukan dan mampu menindaklanjuti hasil. Biaya kamera, koneksi server, perlindungan data, dan distribusi tenaga turut membentuk dampaknya. Tanpa bukti izin dan validasi lokal, angka uji Amerika Serikat hanya menjadi titik pembanding.

Terafab US$16,8 miliar: strategi Musk mengamankan pasokan chip AI

Redaksi APPI News — Fri, 07 Aug 2026 05:06:08 GMT

Tesla dan SpaceX mengumumkan lokasi Terafab di Grimes County, Texas, pada 6 Agustus 2026. Tahap awal proyek itu diperkirakan memerlukan investasi US$16,8 miliar. Kompleks tersebut ditujukan untuk memproduksi cip bagi kendaraan otonom Cybercab, robot Optimus, dan komputasi SpaceX di orbit. Pengumuman lokasi dan modal awal belum sama dengan dimulainya produksi massal.

Mengapa Musk memilih membangun kapasitas sendiri

Terafab berangkat dari proyeksi kebutuhan cip di perusahaan-perusahaan milik Elon Musk. Musk mengatakan TSMC dan Samsung tidak mampu menaikkan produksi secepat pertumbuhan permintaan perusahaannya. Sasaran Terafab adalah perangkat komputasi dengan kapasitas total lebih dari 1 terawatt per tahun. Sasaran itu mencakup cip inferensi di kendaraan dan robot serta prosesor berdaya tinggi untuk pusat data berbasis ruang angkasa.

Membangun pabrik sendiri memberi Tesla dan SpaceX jalur pasokan yang lebih langsung, tetapi tidak langsung menghapus ketergantungan kepada perusahaan pengecoran cip. Musk menyatakan Tesla, SpaceX, dan xAI akan tetap membeli cip dari TSMC, Samsung, dan Micron. Terafab karena itu lebih tepat dibaca sebagai penambahan pilihan pasokan. Pergeseran pesanan baru mungkin terlihat setelah pabrik membuktikan proses dan hasil produksinya.

Tiga angka investasi menjelaskan tahap yang berbeda

Besaran Terafab berubah menurut dokumen dan waktu pengumumannya. Pengajuan yang dipublikasikan pada Mei mencantumkan US$55 miliar untuk fase awal dan potensi US$119 miliar jika seluruh perluasan dijalankan. Pengumuman Agustus kemudian menyebut US$16,8 miliar sebagai estimasi tahap awal yang diumumkan bersama oleh Tesla dan SpaceX. Perbedaan ini menunjukkan perubahan cakupan, bukan tiga tagihan yang harus dijumlahkan.

Rencana akhir mencakup ruang manufaktur lebih dari 100 juta kaki persegi atau sekitar 9,3 juta meter persegi. Kompleks itu dirancang untuk menempatkan produksi cip logika, memori, pengemasan, dan pengujian dalam satu kampus. Pengumuman proyek menyebut sedikitnya 3.000 pekerjaan serta penggunaan air dari Gibbons Creek Reservoir, bukan air tanah setempat. Pengolahan air limbah dan penggunaan kembali air juga masuk dalam rancangan yang dipaparkan.

Intel masuk, tetapi pembagian tugas belum lengkap

Intel menjadi mitra industri pertama yang diumumkan untuk Terafab. Intel menyebut kemampuan desain, fabrikasi, dan pengemasan cip berkinerja tinggi sebagai kontribusinya terhadap target proyek. Perusahaan belum memerinci investasi, pembagian kapasitas, atau tanggung jawab operasional. TechCrunch juga melaporkan lingkup kontribusi Intel masih belum jelas.

Ketidakpastian itu penting karena pabrik semikonduktor bukan sekadar bangunan dan mesin litografi. Produksi proses maju membutuhkan integrasi ribuan langkah, basis data cacat, tenaga rekayasa, serta waktu untuk menaikkan hasil produksi. TrendForce menilai transisi ke transistor GAAFET, ketersediaan peralatan EUV, dan kekurangan talenta menjadi hambatan utama pada proses 2 nanometer. Modal besar tidak otomatis menutup kesenjangan pengalaman tersebut.

Hubungan dengan TSMC dan Samsung belum terputus

Program AI5 Tesla memperlihatkan mengapa pemasok eksternal masih dibutuhkan. Samsung menyiapkan AI5 pada proses 2 nanometer di pabrik Taylor, sedangkan Tesla juga menyerahkan versi desain yang sedikit berbeda kepada TSMC. Produksi volume cip Tesla di Taylor diperkirakan baru berlangsung pada paruh kedua 2027. Tahap tape-out dan sampel rekayasa belum menjamin volume serta hasil produksi massal.

Bagi TSMC, ancaman jangka pendek dari Terafab dinilai terbatas. TrendForce menilai pengemasan canggih lebih mungkin menjadi pintu masuk awal Terafab daripada proses produksi cip paling maju. Kapasitas internal juga memberi Tesla posisi tawar tambahan ketika bernegosiasi dengan pemasok. Penilaian ini adalah analisis industri, bukan konfirmasi perubahan pesanan dari TSMC, Samsung, atau Tesla.

Rencana besar masih menunggu kontrak dan hasil produksi

Dokumen korporasi yang terbit sebelum pengumuman lokasi memberi batas penting pada pembacaan proyek. Pengungkapan SpaceX menyebut kesepakatan dengan Tesla sebagai kerangka umum, sementara jadwal, tonggak, belanja modal, dan ketentuan kekayaan intelektual harus dinegosiasikan terpisah. Dokumen itu juga menyatakan Tesla dan Intel belum berkewajiban untuk tetap terlibat. Pengumuman US$16,8 miliar memperjelas fase awal, tetapi belum menjawab seluruh ketentuan jangka panjang.

Terafab baru mengubah struktur pasar setelah mampu menghasilkan cip pada mutu, volume, dan biaya yang dibutuhkan. Sampai saat itu, TSMC, Samsung, dan pemasok lain tetap memegang peran penting. Bagi Indonesia, dampak langsungnya juga belum terukur. Sampai artikel ini disusun, kami belum menemukan dokumen resmi dari lembaga di Indonesia yang mengukur dampak Terafab terhadap rantai pasok semikonduktor di Indonesia.

Pertanyaan umum

Apakah US$16,8 miliar merupakan nilai akhir Terafab?
Tidak. Angka itu adalah estimasi investasi tahap awal dalam pengumuman Agustus 2026. Dokumen pengajuan sebelumnya memakai cakupan fase yang berbeda dan mencantumkan potensi investasi lebih besar.

Apakah Terafab akan menggantikan TSMC dan Samsung?
Belum ada dasar untuk menyimpulkan demikian. Tesla masih memakai TSMC dan Samsung untuk AI5, sedangkan proses produksi serta jadwal Terafab belum diumumkan secara lengkap.

Bagian produksi apa yang paling mungkin dimulai lebih dahulu?
TrendForce menilai pengemasan canggih sebagai pintu masuk yang lebih realistis. Proses 2 nanometer menuntut pengendalian hasil produksi, peralatan EUV, dan pengalaman integrasi yang belum dibuktikan Terafab.

TEMPO menghubungkan perangkat digital dengan pembayaran Medicare

Redaksi APPI News — Fri, 07 Aug 2026 00:00:00 GMT

Technology-Enabled Meaningful Patient Outcomes (TEMPO) membuka jalur terbatas bagi perangkat kesehatan digital yang belum memperoleh otorisasi pemasaran Amerika Serikat. Food and Drug Administration (FDA) memakai diskresi penegakan ketika perangkat ditawarkan melalui peserta model ACCESS. Kebijakan itu bukan izin edar baru dan bukan pengakuan bahwa perangkat telah terbukti efektif. TEMPO juga tidak khusus untuk kecerdasan artifisial (AI), meski perangkat berbasis AI bisa memenuhi syarat.

Dua lembaga mengatur pintu yang berbeda

TEMPO berjalan bersama Advancing Chronic Care with Effective, Scalable Solutions (ACCESS) dari Centers for Medicare & Medicaid Services (CMS). ACCESS dimulai pada 5 Juli 2026 dan berlangsung hingga 30 Juni 2036. Model sukarela ini ditujukan kepada organisasi layanan yang terdaftar di Medicare Part B. Pasien sasarannya ialah penerima Original Medicare dengan kondisi kronis yang memenuhi kriteria.

CMS membayar pengelolaan kondisi secara berulang melalui outcome-aligned payments, yakni pembayaran yang dikaitkan dengan hasil terukur. Empat bidang awal mencakup gangguan kardio-ginjal-metabolik tahap awal dan lanjut, nyeri muskuloskeletal kronis, serta kesehatan perilaku. Ukurannya mencakup perubahan tekanan darah, HbA1c, lipid, berat badan, nyeri, suasana hati, atau fungsi. Susunan ini membuat pembayaran menjadi bagian dari pengumpulan bukti selama layanan berlangsung.

Diskresi penegakan tidak sama dengan otorisasi

FDA mengizinkan produsen meminta agar persyaratan tertentu tidak ditegakkan selama perangkat dipakai dalam layanan yang diperkirakan tercakup ACCESS. Permintaan itu bisa mencakup otorisasi prapasar, investigational device exemption (IDE), persetujuan setelah penjelasan, dan penelaahan institutional review board (IRB). FDA menilai ruang diskresi untuk setiap produsen dan perangkat. Karena itu, TEMPO bukan pembebasan otomatis atas seluruh kewajiban.

Perangkat harus sudah selesai dikembangkan dan siap digunakan bersama perawatan rawat jalan yang diawasi klinisi. Produsen juga harus berbasis di Amerika Serikat, sedangkan perangkat tidak boleh menimbulkan potensi risiko serius bagi kesehatan atau keselamatan pasien. Penggunaan untuk indikasi yang sama di luar ACCESS tidak tercakup diskresi tersebut. FDA tetap mengharapkan peserta mengajukan 510(k) atau bentuk permohonan pemasaran lain dengan data yang terkumpul.

Bukti dikumpulkan setelah perangkat masuk layanan terbatas

FDA meminta informasi keselamatan, fungsi perangkat, sistem manajemen mutu, dan rencana mitigasi risiko dalam proses seleksi. Rencana peserta juga perlu mencakup pengumpulan, pemantauan, analisis, dan pelaporan data kinerja dunia nyata. Laporan sementara bisa memuat kejadian merugikan, risiko baru, dan kemajuan menuju pengajuan pemasaran. Pengawasan dengan data berjalan menggantikan sebagian pemeriksaan sebelum pasar, tetapi tidak menghapus tujuan otorisasi akhir.

FDA menegaskan efektivitas perangkat terpilih untuk penggunaan yang diuji dalam TEMPO belum dievaluasi oleh lembaga tersebut. Daftar peserta mulai diumumkan pada 22 Juli 2026 dan akan diperbarui ketika peserta lain dipilih. Pernyataan ini membatasi cara rumah sakit, produsen, dan pasien membaca status program. Label “peserta TEMPO” tidak setara dengan “disetujui FDA”.

Ruang uji dibatasi pada produsen, kondisi, dan pembayar

FDA memperkirakan memilih hingga sekitar 10 produsen untuk masing-masing dari empat bidang klinis. Satu perangkat boleh mencakup lebih dari satu bidang bila tujuan penggunaannya sesuai. Cakupan tersebut tetap sempit karena hanya layanan ACCESS yang memperoleh diskresi. Perangkat lain, penggunaan lain, dan kelompok asuransi lain berada di luar jalur ini.

Batas ini menjadikan TEMPO lebih dekat pada lingkungan pengujian regulasi yang terhubung dengan pembayar daripada pembukaan pasar umum. CMS bisa memantau mutu, keselamatan, dan hasil, lalu mengeluarkan organisasi yang tidak memenuhi standar. CMS juga akan menerbitkan hasil yang telah disesuaikan menurut risiko dalam direktori publik. Akuntabilitas bergeser ke pemantauan berkelanjutan dan hasil populasi, bukan hilang.

Indonesia menilai pembiayaan melalui jalur berbeda

Indonesia memakai Penilaian Teknologi Kesehatan (PTK) untuk menilai manfaat dan efisiensi biaya teknologi yang akan diadopsi. Badan Kebijakan Pembangunan Kesehatan menyebut Komite PTK memberi rekomendasi pemanfaatan teknologi dalam Jaminan Kesehatan Nasional (JKN). Pada Juli 2026, Kementerian Kesehatan membuka jalur PTK Mandiri agar pemangku kepentingan bisa mengajukan kajian. Jalur itu menekankan bukti manfaat, biaya, mutu, dan independensi penilaian.

Agenda tata kelola AI kesehatan Indonesia juga masih disusun lintas sektor. Kementerian Kesehatan pada Juni 2026 membahas regulasi AI, persetujuan pasien, telaah etik, keamanan siber, dan pelindungan data medis. Forum tersebut diarahkan untuk menghasilkan rekomendasi kebijakan dan pedoman nasional. Dokumen itu menunjukkan prioritas tata kelola, tetapi tidak menjelaskan jalur pembiayaan yang sama dengan TEMPO.

Pelajaran utamanya ada pada rancangan bukti

Sampai artikel ini disusun, kami belum menemukan dokumen resmi Indonesia tentang mekanisme yang menggabungkan diskresi izin prapasar perangkat digital dan pembiayaan JKN. Temuan itu tidak berarti mekanisme tersebut pasti tidak ada. Artinya, perbandingan langsung belum bisa dibuat dari dokumen publik yang kami periksa. PTK Mandiri dan agenda tata kelola AI juga tidak boleh disebut sebagai padanan TEMPO.

Nilai kebijakan TEMPO terletak pada pembagian tanggung jawab antara regulator produk dan pembayar layanan. FDA menetapkan batas diskresi serta kebutuhan bukti, sementara CMS mengaitkan pembayaran dengan hasil pasien. Model ini mempercepat penggunaan terbatas dengan menempatkan biaya pengawasan dan ketidakpastian setelah masuk layanan. Indonesia perlu menilai struktur bukti, tanggung jawab keselamatan, dan dampak anggaran sebelum mempertimbangkan rancangan serupa.

Ponsel lipat layak dibeli pada 2026 untuk tiga pola pemakaian

Redaksi APPI News — Thu, 06 Aug 2026 05:55:28 GMT

Ponsel lipat model buku memberi ruang layar lebih besar tanpa meminta pengguna membawa tablet terpisah. Keuntungan itu paling jelas ketika dua aplikasi perlu terlihat bersamaan, dokumen panjang dibaca berulang kali, atau layar luar dipakai untuk tugas singkat. Di luar pola tersebut, pembeli tetap membayar harga premium untuk fungsi yang mungkin jarang dipakai. Keputusan pembelian karena itu lebih tepat dimulai dari rutinitas, bukan daftar spesifikasi.

Tiga pola pemakaian yang memanfaatkan layar lipat

Pola pertama ialah bekerja dengan dua sumber informasi sekaligus, seperti surat elektronik dan kalender atau dokumen dan aplikasi percakapan. One UI 9 pada Galaxy Z Fold8 mendukung tampilan terbagi dua dan tiga arah serta menjalankan beberapa aplikasi berdampingan. Fungsi ini mengurangi perpindahan jendela, tetapi manfaatnya kecil bagi penggunaan yang hampir selalu berpusat pada satu aplikasi. Layar luas tidak otomatis menggantikan komputer untuk tugas yang memerlukan papan ketik atau perangkat lunak desktop.

Pola kedua ialah membaca artikel, buku elektronik, komik, atau dokumen dalam sesi panjang. Samsung menyebut layar utama Galaxy Z Fold8 berukuran 7,6 inci dengan rasio 4:3, sedangkan bobot perangkatnya 201 gram. Bidang baca lebih lebar, tetapi perangkat tetap lebih berat untuk dipegang lama dibandingkan banyak ponsel batang. Pola ketiga ialah memakai layar luar untuk pesan, notifikasi, dan konten singkat sebelum membuka layar utama saat ruang tambahan diperlukan.

Harga premium perlu dibayar sejak awal

Galaxy Z Fold8 dipasarkan di Indonesia mulai Rp28.499.000 untuk 12 GB/256 GB, Rp32.499.000 untuk 12 GB/512 GB, dan Rp40.499.000 untuk 16 GB/1 TB. Harga promosi, bonus tukar tambah, dan cicilan bisa mengubah pembayaran awal tanpa mengubah harga resmi perangkat. Selisih harga perlu dibandingkan dengan frekuensi penggunaan layar utama selama masa kepemilikan. Jika layar besar hanya dibuka sesekali, biaya per pemakaian menjadi sulit dibenarkan.

Lipatan layar dan perlindungan tetap memiliki batas

Samsung menyebut struktur Flex Titanium dan dua lapis titanium memperkuat layar Galaxy Z Fold8. Pernyataan tersebut berasal dari produsen, sehingga tidak sama dengan bukti ketahanan independen setelah penggunaan bertahun-tahun. Samsung mencantumkan peringkat IP48 untuk ketahanan air Galaxy Z Fold8. Peringkat itu berbeda dari IP68 yang umum ditemukan pada ponsel premium berbentuk batang.

Biaya servis Indonesia belum berbentuk satu angka tetap

Kerusakan layar utama dan engsel patut masuk dalam anggaran kepemilikan karena keduanya menjadi bagian utama bentuk lipat. Samsung Indonesia menjelaskan bahwa angka pada layanan estimasi biaya perbaikan hanya perkiraan dan kerusakan aktual dikonfirmasi setelah pemeriksaan pusat servis. Sampai artikel ini disusun, tarif tetap untuk penggantian layar Galaxy Z Fold8 tidak terlihat pada halaman tersebut. Cakupan garansi, perlindungan tambahan, biaya layanan, dan syarat pengecualian menjadi komponen pembanding sebelum transaksi.

Nilai jual kembali memperbesar biaya kepemilikan

Analisis SellCell mencatat ponsel lipat mempertahankan rata-rata 35,4 persen harga peluncuran setelah 12 bulan, dibandingkan 44,7 persen pada ponsel premium biasa. Sampelnya mencakup perangkat Apple, Samsung, Google, Motorola, dan OnePlus yang memiliki data jual kembali lengkap selama setahun. Nilai yang dipakai ialah median untuk perangkat berkondisi baik, sehingga angka itu bukan patokan harga pasar Indonesia. Temuan tersebut tetap menunjukkan bahwa rencana menjual kembali dalam waktu singkat perlu dihitung sebagai biaya, bukan dianggap sebagai pemasukan yang pasti.

Pengujian keputusan melalui rutinitas satu pekan

Pencatatan selama tujuh hari memperlihatkan seberapa sering dua aplikasi benar-benar perlu dibuka bersamaan. Waktu membaca panjang perlu dipisahkan dari kegiatan singkat seperti memotret, berkirim pesan, dan melihat media sosial. Ponsel lipat lebih masuk akal bila layar utama dipakai hampir setiap hari dan mengurangi kebutuhan membawa perangkat kedua. Untuk pemakaian satu aplikasi, harga, bobot, servis, dan depresiasi lebih mungkin menjadi beban daripada manfaat.

Pertanyaan umum

Siapa yang paling mungkin menyesal membeli ponsel lipat?
Pengguna yang sebagian besar waktunya habis pada satu aplikasi akan lebih jarang memanfaatkan layar utama. Mereka tetap menanggung harga awal dan risiko servis perangkat lipat. Kamera, percakapan, dan media sosial saja belum tentu memberi alasan fungsional untuk membayar selisih harga.

Apakah lipatan pada layar sudah hilang?
Samsung menyatakan struktur Flex Titanium memperkuat lapisan layar generasi ini. Klaim itu tidak berarti garis lipatan hilang dalam setiap sudut pandang atau kondisi cahaya. Pengujian independen jangka panjang juga belum tersedia ketika artikel ini disusun.

Apakah ponsel lipat cocok untuk membaca?
Layar utama 7,6 inci dan rasio 4:3 memberi ruang lebih besar untuk artikel serta buku elektronik. Kenyamanan tetap dipengaruhi bobot, posisi tangan, ukuran huruf, dan lama membaca. Pembeli yang jarang membaca panjang mungkin tidak memperoleh manfaat yang sama.

Apa biaya yang perlu dihitung selain harga beli?
Perhitungan perlu mencakup aksesori pelindung, perlindungan tambahan, potensi servis di luar garansi, dan kehilangan nilai saat dijual kembali. Estimasi pusat servis bergantung pada kerusakan yang spesifik karena biaya akhir memerlukan pemeriksaan. Nilai tukar tambah promosi juga tidak sama dengan harga jual kembali di pasar terbuka.

Harga PC Indonesia tertekan: memori AI mengubah waktu pembelian

Redaksi APPI News — Thu, 06 Aug 2026 05:55:28 GMT

Harga komponen dan kekurangan pasokan mulai mengubah pasar PC Indonesia pada 2026. IDC mencatat pengiriman 982.000 komputer pada kuartal pertama, naik 9,4 persen dibandingkan setahun sebelumnya. Pertumbuhan itu dipicu pembelian stok lebih awal sebelum kenaikan harga, bukan semata-mata lonjakan permintaan akhir. IDC memperkirakan tekanan komponen dan ekonomi akan melemahkan pengiriman pada paruh kedua tahun ini.

DRAM dan NAND menjadi sumber tekanan harga

Kartu grafis, laptop, dan ponsel memakai jenis memori berbeda, tetapi seluruhnya bergantung pada kapasitas industri semikonduktor yang terbatas. DRAM melayani memori sistem dan grafis, sedangkan NAND Flash menjadi dasar penyimpanan SSD. TrendForce memperkirakan harga kontrak DRAM konvensional naik 13–18 persen pada kuartal ketiga 2026. Lembaga yang sama memproyeksikan harga kontrak NAND Flash naik 10–15 persen pada periode tersebut.

Harga kontrak menggambarkan transaksi pemasok dengan produsen perangkat, sehingga pergerakannya tidak langsung sama dengan harga toko. Distributor mungkin masih menjual stok lama atau memberi promosi untuk konfigurasi tertentu. Sebaliknya, kurs rupiah dan persediaan lokal bisa menambah tekanan sebelum perubahan kontrak sepenuhnya masuk ke produk baru. Karena itu, satu persentase global tidak berlaku seragam bagi seluruh merek di Indonesia.

Pusat data AI memakai kapasitas wafer lebih besar

Memori berbandwidth tinggi (high-bandwidth memory/HBM) dipakai pada akselerator AI untuk memindahkan data dengan cepat. Produk ini bersaing dengan DRAM biasa dalam alokasi wafer, peralatan, dan investasi pabrik. Laporan industri yang dikutip TrendForce menghitung 1 GB HBM memakai kapasitas wafer empat kali lipat DRAM standar. Perhitungan yang sama menempatkan kebutuhan memori AI mendekati 20 persen kapasitas wafer DRAM global pada 2026.

Produsen memperoleh nilai jual lebih tinggi ketika mengarahkan sumber daya ke HBM dan memori server. Pilihan itu membatasi tambahan pasokan untuk PC, ponsel, serta kartu grafis meski produksi DRAM konsumen tidak berhenti sepenuhnya. SK hynix menyebut segmen memori global diperkirakan tumbuh 30 persen pada 2026, didorong infrastruktur AI. Laman perusahaan itu juga merangkum perkiraan bahwa HBM3E mencakup sekitar dua pertiga pengiriman HBM tahun ini.

Dampak di Indonesia muncul lewat harga dan pilihan konfigurasi

IDC melihat distributor Indonesia mempercepat pengadaan sejak akhir 2025 untuk mengamankan barang sebelum harga naik. Stok tersebut membantu pengiriman kuartal pertama, tetapi juga memindahkan sebagian permintaan dari bulan-bulan berikutnya. IDC memperkirakan pengiriman PC Indonesia turun 12,5 persen pada kuartal kedua 2026. Proyeksi lembaga itu menempatkan penurunan setahun penuh pada 22,9 persen.

Beban bagi pembeli tidak selalu muncul sebagai kenaikan harga pada model yang sama. Produsen juga bisa mengurangi RAM atau kapasitas SSD pada konfigurasi dasar untuk mempertahankan tingkat harga. Produk murah menghadapi tekanan lebih besar karena ruang untuk menyerap biaya komponen lebih sempit. Perbandingan antargenerasi karena itu perlu memasukkan kapasitas memori, penyimpanan, garansi, dan harga akhir.

Tiga indikator untuk menilai waktu pembelian

Indikator pertama ialah arah harga kontrak DRAM dan NAND selama beberapa kuartal, bukan perubahan harian di satu toko. Kenaikan yang terus melambat menunjukkan tekanan bertambah kecil, tetapi belum berarti harga telah turun. TrendForce menyediakan tabel harga spot dan kontrak DRAM dengan tanggal pembaruan. Harga spot berguna sebagai sinyal jangka pendek, sedangkan kontrak lebih dekat dengan biaya pengadaan produsen perangkat.

Indikator kedua ialah pengumuman bahwa kapasitas baru sudah berproduksi, bukan baru dibangun atau dipesan. Pabrik memerlukan waktu untuk memasang peralatan dan mencapai hasil produksi yang stabil. Samsung memperkirakan pasokan akan makin ketat pada 2027 dan kondisi terbatas bertahan sedikitnya hingga 2028. Perkiraan ini masih bisa berubah jika kapasitas bertambah lebih cepat atau permintaan perangkat melemah tajam.

Indikator ketiga ialah stok dan promosi di pasar Indonesia. Persediaan lama bisa membuat harga suatu model bertahan meski biaya komponen baru sudah naik. Konfigurasi yang kurang diminati juga mungkin mendapat diskon tanpa menandakan pemulihan seluruh pasar. Harga beberapa penjual perlu dibandingkan bersama spesifikasi dan ketentuan garansinya.

Membeli sekarang atau menunggu

Pembelian yang terikat pekerjaan, studi, atau kerusakan perangkat lebih bergantung pada biaya penundaan daripada tebakan harga terendah. Pilihan yang tersedia bisa menyempit ketika produsen mengurangi konfigurasi murah. Anggaran tetap perlu dibandingkan dengan kebutuhan minimum RAM, penyimpanan, dan kinerja grafis. Membayar lebih rendah untuk spesifikasi yang cepat tidak memadai bukan penghematan jangka panjang.

Pembelian tanpa kebutuhan mendesak memberi ruang untuk menunggu promosi atau stok generasi sebelumnya. Penurunan harga kontrak selama dua kuartal akan menjadi sinyal lebih kuat daripada diskon sesaat. Namun, laporan TrendForce, IDC, dan Samsung belum menunjukkan pemulihan pasokan dalam waktu dekat. Keputusan menunggu tetap membawa risiko pilihan model menyusut atau harga rupiah bergerak naik.

Pertanyaan umum

Apakah kenaikan harga kartu grafis dan memori berasal dari tekanan yang sama?
Keduanya terhubung melalui kapasitas industri memori dan peralihan sumber daya ke produk AI. Kartu grafis memakai GDDR, sementara laptop juga membutuhkan DRAM dan NAND. Besar kenaikannya tetap berbeda karena stok, komponen lain, dan kebijakan harga tiap merek.

Apakah harga pasti turun pada 2028?
Tidak ada kepastian bahwa harga turun pada tahun tersebut. Samsung menyebut keterbatasan pasokan bertahan sedikitnya hingga 2028, bukan menjanjikan penurunan harga pada tanggal tertentu. Permintaan, kapasitas baru, kurs, dan konfigurasi produk akan menentukan harga ritel.

Mengapa harga satu toko bisa turun ketika harga kontrak naik?
Harga toko juga dipengaruhi umur stok, promosi, serta target penjualan distributor. Diskon satu model tidak membuktikan bahwa biaya memori global telah berbalik arah. Tren beberapa kuartal memberi gambaran yang lebih stabil daripada satu daftar harga.

Passkey sebagai alternatif SMS OTP: pengaturan dan pemulihan akses

Redaksi APPI News — Thu, 06 Aug 2026 05:55:28 GMT

SMS OTP masih dipakai untuk memeriksa penguasaan nomor seluler, tetapi kode yang diketik ulang tidak tahan terhadap phishing (penipuan melalui situs atau pesan palsu). Penipu dapat meminta korban memasukkan kode pada situs palsu, lalu meneruskannya ke layanan asli sebelum masa berlaku berakhir. SIM swapping (pengambilalihan nomor melalui kartu SIM baru) membuka jalur lain untuk menerima pesan tersebut. Passkey (kredensial login berbasis pasangan kunci kriptografi) menghapus kode yang bisa disalin dari proses login.

Mengapa SMS OTP masuk kategori terbatas

National Institute of Standards and Technology (NIST) menyatakan autentikasi di luar kanal tidak tahan phishing dan membatasi penggunaan jaringan telepon untuk pengiriman rahasia autentikasi. Pedoman SP 800-63B-4 juga meminta penyedia mempertimbangkan pergantian perangkat, perubahan SIM, dan pemindahan nomor. Status terbatas bukan larangan menyeluruh atas SMS OTP. Penyedia masih bisa memakainya dengan pengendalian risiko dan pilihan autentikator lain.

Risiko itu juga tercatat dalam sumber resmi Indonesia. Arsip Kementerian Komunikasi dan Digital (Komdigi) menjelaskan SIM swapping sebagai pengambilalihan kartu seluler dan menyebut phishing sebagai cara memperoleh OTP. Catatan tersebut berfokus pada edukasi pencegahan, bukan perintah untuk menghentikan SMS OTP. Karena itu, peralihan layanan di Indonesia tidak berlangsung seragam.

Passkey menyimpan rahasia di pengelola kredensial

FIDO Alliance mendefinisikan passkey sebagai kredensial autentikasi berbasis pasangan kunci kriptografi yang tahan phishing. Layanan menyimpan kunci publik, sedangkan pengelola kredensial menjaga kunci privat. Sidik jari, pemindaian wajah, pola, atau PIN perangkat berfungsi membuka kredensial secara lokal. Data biometrik bukan kunci yang dikirim ke situs atau aplikasi.

Setiap passkey terikat pada domain layanan yang mendaftarkannya. Situs palsu dengan alamat berbeda tidak menerima tanda tangan yang sah untuk domain asli. Tidak ada kode bersama yang perlu dibaca lalu diketik ulang oleh pengguna. Perlindungan ini tetap bergantung pada keamanan perangkat dan proses pemulihan akun.

DANA menjadi contoh awal di Indonesia

Dukungan passkey harus diperiksa pada setiap layanan karena nama menu dan cakupan pemakaiannya berbeda. Pusat bantuan DANA mencantumkan jalur Saya, Pengaturan Keamanan, Passkey, lalu Aktifkan untuk perangkat Android. Fitur tersebut menjadi satu contoh penerapan pada dompet digital Indonesia. Keberadaan satu layanan tidak menunjukkan tingkat adopsi industri secara keseluruhan.

Sampai artikel ini disusun, kami belum menemukan data resmi dari lembaga di Indonesia yang memetakan jumlah bank, dompet digital, atau layanan publik dengan dukungan passkey. Belum ditemukan juga jadwal nasional untuk mengganti SMS OTP. Pengguna masih mungkin menjumpai PIN, kata sandi, OTP, atau pemeriksaan tambahan setelah passkey diaktifkan. Kebijakan transaksi bernilai tinggi dan pemulihan akun tetap ditentukan oleh tiap penyedia.

Cara membuat passkey tanpa mengabaikan jalur pemulihan

Pengaturan dimulai dari menu keamanan pada layanan yang memang mendukung passkey. Perangkat kemudian meminta pembukaan kunci layar untuk membuat kredensial. Google menempatkan pembuatan kunci sandi pada opsi login akun dan mengingatkan bahwa siapa pun yang mampu membuka perangkat bisa memakai passkey di perangkat itu. Kredensial sebaiknya tidak dibuat pada komputer atau ponsel bersama.

Setelah pembuatan, daftar passkey dan metode pemulihan perlu diperiksa pada pengelola kredensial serta layanan terkait. Kata sandi, kode pemulihan, atau kontak terverifikasi mungkin tetap tersedia sebagai jalur cadangan. Kekuatan passkey tidak otomatis memperbaiki jalur pemulihan yang lemah. Perangkat lama yang hilang juga perlu dihapus dari daftar perangkat tepercaya dan daftar passkey bila layanan menampilkannya.

Pergantian ponsel bergantung pada tempat penyimpanan

Google Password Manager menyinkronkan passkey terenkripsi pada Android dan Chrome di sejumlah sistem operasi. Pada perangkat baru, akses memerlukan akun Google serta kunci layar Android atau PIN Google Password Manager. Dukungan sistem operasi dan pengelola kredensial menentukan apakah passkey muncul otomatis. Passkey yang hanya tersimpan secara lokal tidak mengikuti perpindahan perangkat.

Apple menyimpan passkey di Rantai Kunci iCloud dan menyediakan login pada perangkat lain melalui kode QR. Pemindaian QR mengesahkan sesi dari ponsel yang berada dekat perangkat lain; proses ini bukan pemindahan kunci secara manual. Peralihan antara Android dan iPhone juga bergantung pada pengelola kredensial yang dipilih dan versi sistem operasi. Sebelum perangkat lama tidak lagi tersedia, pemeriksaan sinkronisasi dan metode pemulihan mengurangi risiko kehilangan akses.

Pembaruan sistem ponsel lama: kapan memasang dan kapan menunggu

Redaksi APPI News — Thu, 06 Aug 2026 05:55:28 GMT

Pembaruan sistem pada ponsel lama bukan pilihan sederhana antara fitur baru dan kinerja yang lebih lambat. Pembaruan juga membawa perbaikan keamanan, sementara kesiapan perangkat dan aplikasi berbeda untuk setiap model. Usia ponsel saja tidak cukup sebagai dasar keputusan. Isi rilis, status dukungan, ruang penyimpanan, kesehatan baterai, dan cadangan data memberi gambaran yang lebih berguna.

Perbaikan keamanan mengubah tingkat urgensi

Catatan rilis perlu dibaca sebelum menekan tombol pemasangan. Pembaruan yang berfokus pada tampilan atau fitur baru memberi ruang lebih besar untuk menunggu laporan awal. Perbaikan celah keamanan menambah biaya pada setiap penundaan. Apple menyebut pembaruan perangkat lunak sebagai salah satu langkah terpenting untuk menjaga keamanan produknya.

Contoh terbaru terlihat pada iOS 26.6. Apple merilis iOS 26.6 pada 27 Juli 2026 dan mencatat puluhan CVE pada kernel, WebKit, Wi-Fi, Siri, serta komponen lain. Daftar itu menunjukkan bahwa penundaan bukan keputusan tanpa konsekuensi. Halaman Apple tidak menyatakan adanya eksploitasi aktif untuk setiap celah yang dicantumkan.

Android memiliki jalur distribusi yang lebih beragam. Google menjelaskan bahwa jadwal pembaruan Android berbeda menurut perangkat, produsen, dan operator seluler. Nomor versi Android, tingkat tambalan keamanan, dan pembaruan sistem Google Play karena itu perlu dilihat sebagai tiga informasi terpisah. Ponsel lama juga belum tentu mendukung versi Android yang lebih baru.

Empat pemeriksaan sebelum pemasangan

Pemeriksaan pertama adalah jenis rilis. Rilis besar yang mengubah antarmuka dan fungsi inti membawa lebih banyak perubahan daripada tambalan keamanan rutin. Penundaan singkat lebih masuk akal untuk rilis fitur bila aplikasi penting belum menyatakan dukungan. Tambalan untuk celah yang diketahui memiliki alasan pemasangan lebih kuat.

Pemeriksaan kedua adalah kompatibilitas perangkat dan aplikasi. Aplikasi perbankan, dompet digital, autentikasi, dan sistem kerja perlu masuk daftar utama karena gangguannya menghambat akses penting. Google Play menjelaskan bahwa aplikasi mungkin tidak dirancang untuk versi Android tertentu dan kompatibilitasnya bisa berubah. Informasi pada toko aplikasi dan kanal resmi pengembang lebih relevan daripada anggapan bahwa seluruh aplikasi akan ikut siap.

Pemeriksaan ketiga adalah kondisi perangkat. Ruang kosong yang sempit menghambat pemasangan, sedangkan baterai yang menua membuat perubahan konsumsi daya lebih terasa. Google menyarankan sambungan Wi-Fi dan daya sekurang-kurangnya 75 persen sebelum pembaruan Android. Apple meminta iPhone tersambung ke sumber listrik dan Wi-Fi selama proses pembaruan.

Pemeriksaan keempat adalah cadangan yang benar-benar selesai. Cadangan bukan sarana otomatis untuk menurunkan versi sistem, tetapi melindungi data bila perangkat perlu dihapus atau dipulihkan. Google menyebut cadangan Android meliputi aplikasi, riwayat panggilan, kontak, setelan perangkat, serta pesan SMS dan MMS. Dokumen yang sama mengingatkan bahwa tidak semua aplikasi mencadangkan atau memulihkan seluruh setelan dan data.

Perubahan baterai perlu dibaca dari data perangkat

Konsumsi baterai yang meningkat segera setelah pembaruan belum cukup untuk menyimpulkan kerusakan permanen. Apple menjelaskan bahwa tugas pembaruan masih berjalan di latar belakang dan bisa memengaruhi baterai serta suhu selama beberapa hari. Menu Baterai pada iOS 18 atau versi lebih baru menampilkan keterangan bila proses tersebut masih berlangsung. Penggunaan per aplikasi dan aktivitas sistem memberi pembanding yang lebih kuat daripada kesan satu kali.

Masa pengamatan tidak boleh berubah menjadi alasan untuk mengabaikan gejala menetap. Penurunan baterai yang terus berlangsung setelah tugas latar belakang selesai memerlukan pemeriksaan penggunaan aplikasi, sinyal, dan kesehatan baterai. Panas berlebihan, kegagalan memulai sistem, atau fungsi penting yang berhenti bekerja memerlukan dukungan resmi produsen. Penghapusan data atau pemulihan pabrik baru dipertimbangkan setelah cadangan diperiksa.

Menurunkan versi bukan rencana pemulihan yang pasti

Cadangan data dan versi sistem adalah dua hal berbeda. Google menyatakan cadangan dari Android yang lebih baru tidak bisa dipulihkan ke ponsel dengan Android yang lebih lama. Ketentuan itu membatasi hasil pemulihan walaupun pengguna memiliki salinan data. Prosedur perubahan sistem juga berbeda menurut produsen dan model.

Dokumen dukungan umum Apple dan Google yang diperiksa untuk artikel ini tidak menjanjikan jalur penurunan versi setelah setiap pembaruan. Ketersediaan versi melalui mekanisme pemulihan dan alat produsen bisa berubah. Membuka kunci perangkat atau memasang berkas sistem dari sumber tidak resmi membawa risiko kehilangan data dan keamanan. Rencana aman sebelum pembaruan tetap bertumpu pada cadangan serta akses ke pusat dukungan resmi.

Kerangka keputusan untuk ponsel lama

Pembaruan lebih layak dipasang segera ketika rilis memuat perbaikan keamanan penting, perangkat masih didukung, aplikasi utama siap, dan cadangan telah selesai. Penundaan singkat lebih masuk akal ketika rilis berisi perubahan besar, sedangkan aplikasi penting belum memastikan kompatibilitas. Ponsel yang tidak lagi menerima tambalan keamanan memerlukan keputusan berbeda. Biaya mempertahankan perangkat harus dibandingkan dengan risiko sistem yang tidak lagi didukung.

Usia tiga tahun bukan batas teknis yang berlaku untuk semua ponsel. Dukungan produsen, kondisi baterai, kapasitas penyimpanan, dan pola penggunaan menghasilkan risiko yang berbeda. Pembeli perangkat bekas juga perlu memeriksa sisa masa dukungan, bukan hanya keadaan fisik dan harga. Masa dukungan akhirnya menjadi bagian dari biaya kepemilikan, bersama harga beli dan kondisi perangkat.

Pertanyaan umum

Apakah ponsel lama sebaiknya selalu menunggu pembaruan revisi?
Tidak ada aturan tunggal untuk semua rilis. Isi perbaikan keamanan, dukungan perangkat, dan kesiapan aplikasi lebih penting daripada nomor versi. Penundaan rilis fitur dan penundaan tambalan keamanan membawa risiko yang berbeda.

Apakah baterai lebih boros setelah pembaruan berarti ponsel rusak?
Belum tentu. Apple mengakui adanya tugas latar belakang yang memengaruhi baterai dan suhu selama beberapa hari. Gangguan yang bertahan setelah proses selesai perlu dinilai dari penggunaan aplikasi, kualitas sinyal, dan kesehatan baterai.

Apakah cadangan mengembalikan versi sistem sebelumnya?
Tidak. Cadangan menyimpan data dan setelan yang didukung, bukan jaminan penurunan versi sistem. Pada Android, cadangan dari versi lebih baru bahkan tidak bisa dipulihkan ke perangkat dengan versi lebih lama.

Apa yang perlu tersedia sebelum pembaruan?
Cadangan terbaru, ruang penyimpanan yang cukup, daya memadai, Wi-Fi stabil, dan informasi kompatibilitas aplikasi penting menjadi persiapan dasar. Jalur dukungan resmi produsen juga perlu diketahui sebelum pemasangan dimulai.

Mengurangi beban RAM Windows 11 tanpa mematikan perlindungan

Redaksi APPI News — Thu, 06 Aug 2026 05:55:28 GMT

Pemakaian RAM Windows 11 yang terlihat tinggi tidak selalu sama dengan kekurangan memori. Angka persentase perlu dibaca bersama gejala seperti aplikasi tersendat, perpindahan jendela lambat, atau penggunaan disk yang terus tinggi. Manajer Tugas membantu menunjukkan proses yang memakai memori paling besar. Perubahan pengaturan baru relevan bila beban tersebut benar-benar mengganggu pekerjaan.

Microsoft memasukkan memori ke agenda perbaikan Windows

Pavan Davuluri pada 31 Juli 2026 menetapkan optimalisasi memori untuk perangkat dengan RAM 8 GB atau lebih sebagai satu dari empat fokus baru Windows. Microsoft ingin mengurangi jejak memori agar sistem lebih cepat dan responsif. Perusahaan tidak menyebut target penghematan RAM untuk tiap konfigurasi. Laporan itu juga tidak memberi tanggal penyelesaian tunggal.

Pekerjaan teknisnya mencakup pengalokasi memori (memory allocator) yang lebih efisien untuk menekan beban aplikasi dan komponen sistem. Microsoft juga menyetel WinUI 3 agar aplikasi berbasis kerangka tersebut memakai lebih sedikit memori. Efisiensi Chromium dan WebView2 menjadi bagian lain karena keduanya muncul dalam sejumlah komponen Windows. Penyempurnaan Windows 11 yang lebih luas mulai digulirkan pada musim gugur 2026 di belahan bumi utara. Hasilnya tetap perlu diukur setelah pembaruan tersedia.

Periksa proses sebelum mengubah pengaturan

Manajer Tugas terbuka melalui Ctrl+Shift+Esc. Tab Proses menampilkan pemakaian memori per aplikasi, sedangkan tab Performa memberi gambaran kapasitas keseluruhan. Pengamatan sebaiknya dilakukan saat perlambatan terjadi, bukan hanya segera setelah komputer menyala. Aplikasi dengan pemakaian tinggi perlu diidentifikasi sebelum ditutup atau dihapus.

Microsoft menyarankan pemantauan CPU, memori, dan disk melalui Manajer Tugas untuk menemukan proses berat. Dokumen yang sama menyebut banyak aplikasi dan tab peramban terbuka bisa memperlambat kinerja. Menutup proses sistem secara acak berisiko mengganggu fungsi Windows. Pengujian satu perubahan pada satu waktu membuat dampaknya lebih mudah dibedakan.

Tiga pengaturan dengan dampak yang bisa diamati

Aplikasi startup menjadi pemeriksaan pertama karena prosesnya berjalan otomatis setelah pengguna masuk. Microsoft menyediakan pengaturan aplikasi startup melalui Pengaturan dan Manajer Tugas, lengkap dengan indikator dampaknya terhadap proses penyalaan. Aplikasi yang tidak dibutuhkan setiap kali masuk bisa dinonaktifkan dari daftar tersebut. Program keamanan, driver, dan perangkat kerja penting perlu dikenali sebelum statusnya diubah.

Proses latar belakang menjadi bagian kedua. Pada aplikasi yang menyediakan opsi itu, jalurnya berada di Pengaturan, Aplikasi, Aplikasi terinstal, lalu Opsi tingkat lanjut. Izin latar belakang bisa diubah menjadi Jangan Pernah untuk aplikasi yang tidak perlu terus berjalan. Pilihan ini tidak tersedia pada semua program desktop.

Efek visual menjadi bagian ketiga, terutama pada perangkat dengan sumber daya terbatas. Pencarian “Sesuaikan tampilan dan kinerja Windows” membuka tab Efek Visual. Opsi “Sesuaikan untuk kinerja terbaik” mengurangi animasi dan unsur tampilan lain. Perubahan tersebut memengaruhi tampilan antarmuka, sehingga manfaatnya perlu dibandingkan dengan kenyamanan penggunaan.

Integritas memori bukan tombol percepatan

Integritas memori adalah bagian dari keamanan berbasis virtualisasi (virtualization-based security atau VBS). Microsoft menjelaskan bahwa fitur ini mengisolasi pemeriksaan integritas kode mode kernel dan memperkuat perlindungan terhadap malware. Windows 11 juga menampilkan peringatan keamanan ketika fitur tersebut dimatikan. Karena itu, integritas memori tidak tepat diperlakukan sebagai pengaturan rutin untuk mengurangi pemakaian RAM.

Dampak kinerja VBS bergantung pada generasi prosesor dan dukungan perangkat keras. Microsoft mencatat prosesor lama memakai emulasi tertentu dengan dampak kinerja lebih besar. Risiko keamanan tetap ada bila fitur dimatikan, sedangkan besarnya penghematan tidak dijamin untuk setiap perangkat. Langkah yang lebih aman dimulai dari aplikasi startup, proses latar belakang, efek visual, dan pembaruan driver.

Pembersih RAM tidak menggantikan diagnosis

Turunnya angka pemakaian sesaat setelah alat pembersih berjalan belum membuktikan perbaikan kinerja. Ukuran yang lebih berguna adalah respons aplikasi, waktu perpindahan tugas, serta proses yang kembali memakai memori. Menambah program pembersih juga menciptakan proses latar belakang baru. Windows sendiri sudah menyediakan Manajer Tugas untuk menemukan beban utama.

Jika perlambatan muncul setelah pembaruan, catatan rilis dan pembaruan driver perlu diperiksa lebih dulu. Keamanan, kompatibilitas, dan jalur pemulihan memberi kerangka pemeriksaan yang lebih lengkap. Pada Windows, perbedaan perangkat keras dan perangkat lunak bawaan produsen membuat hasil setiap perubahan tidak seragam. Sampai artikel ini disusun, belum ada data resmi Indonesia yang memberi angka pembanding menurut konfigurasi perangkat.

Pertanyaan umum

Apakah RAM terpakai 60 persen berarti kapasitasnya kurang?
Belum tentu. Persentase perlu dibaca bersama perlambatan nyata dan daftar proses dalam Manajer Tugas. Satu angka tanpa konteks tidak menunjukkan sumber gangguan.

Pengaturan mana yang diperiksa lebih dahulu?
Aplikasi startup dan proses latar belakang memberi sasaran yang paling mudah diidentifikasi. Efek visual bisa diuji setelah aplikasi yang tidak diperlukan dinonaktifkan.

Apakah integritas memori sebaiknya dimatikan agar PC lebih cepat?
Tidak sebagai langkah rutin. Fitur tersebut melindungi kernel Windows, sedangkan pengaruh kinerjanya berbeda menurut prosesor dan dukungan perangkat keras.

Kapan penambahan RAM perlu dipertimbangkan?
Penambahan perangkat keras masuk akal bila aplikasi penting terus mendekati kapasitas fisik dan perlambatan tetap terjadi setelah beban latar belakang ditata. Dukungan peningkatan RAM berbeda menurut model komputer.

Label AI pada alat pemantau lansia belum menjelaskan kinerjanya

Redaksi APPI News — Wed, 05 Aug 2026 17:09:07 GMT

Survei Penduduk Antar Sensus 2025 mencatat 11,97 persen penduduk Indonesia telah berusia 60 tahun ke atas. Perubahan demografi ini memperbesar kebutuhan pemantauan dan pendampingan di rumah. Sensor gerak, perangkat sandang (wearable), kamera, dan radar mulai dipasarkan sebagai alat bantu pintar. Label itu belum menjelaskan apakah keputusan dibuat dengan ambang tetap atau model kecerdasan artifisial (AI).

Satu label memuat cara kerja yang berbeda

Sistem berbasis ambang memicu alarm ketika nilai sensor melewati batas yang sudah ditentukan. Perangkat bisa memakai perubahan percepatan, kemiringan tubuh, atau durasi tanpa gerakan. Model pembelajaran mesin mempelajari gabungan pola dari data latih, lalu mengklasifikasikan peristiwa baru. Keduanya tetap membutuhkan sensor, aturan pengiriman alarm, dan jalur respons setelah notifikasi diterima.

Tinjauan sistematis pada 2025 menilai 80 studi deteksi jatuh menurut tiga kategori sensor dan empat kelompok metode komputasi. Ukuran yang dibandingkan mencakup akurasi, presisi, sensitivitas, spesifisitas, skor F1, serta waktu pelatihan dan pengujian. Hasil gabungan menempatkan pembelajaran mendalam di depan pada lima ukuran kinerja. Namun, temuan itu tidak menjadikan setiap produk berlabel AI lebih andal daripada setiap alat berbasis ambang.

Uji laboratorium tidak sama dengan rumah atau fasilitas perawatan

Angka akurasi tinggi sering berasal dari jatuh yang diperagakan dalam lingkungan terkontrol. Gerakan, pakaian, posisi sensor, perabot, dan kebiasaan pengguna di dunia nyata lebih beragam. Model juga bisa menghadapi kelompok usia dan kondisi gerak yang berbeda dari data latih. Nilai pada brosur karena itu belum cukup tanpa keterangan tentang peserta dan tempat pengujian.

Studi PLOS One pada 2017 menguji model mesin vektor pendukung (support vector machine) dengan 10 kejadian jatuh nyata pada lansia dan sekitar 400 jam aktivitas sehari-hari. Sistem mendeteksi 8 dari 10 kejadian memakai satu akselerometer. Tingkat alarm palsu pada kelompok data lansia berkisar dari 0 sampai 0,3 per jam. Sampel kejadian yang kecil membatasi generalisasi, tetapi hasilnya memperlihatkan jarak antara demonstrasi laboratorium dan pemakaian lapangan.

Empat angka lebih berguna daripada kata “pintar”

Sensitivitas menunjukkan bagian kejadian jatuh yang berhasil dikenali, sedangkan spesifisitas menunjukkan kemampuan menolak peristiwa bukan jatuh. Angka alarm palsu per hari atau per pekan menerjemahkan spesifisitas ke beban nyata bagi pendamping. Waktu deteksi mengukur jeda sebelum notifikasi dikirim. Kinerja perlu disertai lokasi sensor, lama pengujian, karakteristik pengguna, dan definisi kejadian.

Jenis sensor juga mengubah kegagalan yang mungkin terjadi. Perangkat sandang bergantung pada kepatuhan pemakaian dan posisi alat. Sensor ruangan memiliki batas cakupan serta bisa terhalang, sementara kamera merekam informasi visual yang lebih rinci. Radar tidak otomatis bebas risiko karena pola gerak dan waktu aktivitas tetap bisa menjadi data sensitif ketika dikaitkan dengan seorang pengguna.

Data gerak tetap memerlukan tata kelola

UU No. 27 Tahun 2022 tentang Pelindungan Data Pribadi menggolongkan informasi kesehatan dan data biometrik sebagai data pribadi spesifik. Status data dari alat pemantau bergantung pada apa yang direkam dan bagaimana informasi itu dikaitkan dengan individu. Dokumen produk perlu menyebut tujuan pengumpulan, pihak yang menerima akses, masa penyimpanan, lokasi pemrosesan, dan prosedur penghapusan. Pengiriman ke komputasi awan tidak boleh tersembunyi di balik istilah “analitik pintar”.

Model yang berjalan di perangkat mengurangi kebutuhan mengirim rekaman mentah, tetapi arsitektur lokal bukan jaminan tunggal. Pembaruan perangkat lunak, akun pendamping, notifikasi, dan pencadangan tetap membuka jalur data lain. Pembahasan tentang pelatihan model tanpa memindahkan data tersedia dalam laporan APPI News mengenai AI medis lintas rumah sakit. Prinsip yang sama berlaku: lokasi data hanya satu bagian dari pengendalian akses dan keamanan.

Indonesia masih menyusun tata kelola AI kesehatan

Kementerian Kesehatan pada Juni 2026 menyebut regulasi AI kesehatan, persetujuan, tata kelola data medis, dan keamanan siber sebagai agenda penyusunan pedoman nasional. Pernyataan itu membahas ekosistem AI kesehatan secara luas, bukan standar khusus alat deteksi jatuh. Sampai artikel ini disusun, kami belum menemukan dokumen resmi Indonesia yang membandingkan produk berdasarkan alarm palsu, kejadian terlewat, dan hasil uji lapangan. Ketiadaan dokumen yang ditemukan membatasi penilaian apakah klaim antarproduk memakai dasar yang setara.

Kesenjangan tersebut bisa ditutup lewat format pengungkapan yang seragam. Produsen perlu memisahkan hasil uji laboratorium dari uji lapangan, serta menjelaskan apakah data berasal dari lansia. Penyedia juga perlu menyatakan perubahan kinerja setelah pembaruan model dan cara pengguna melaporkan alarm keliru. Lembaga pembiayaan dan fasilitas perawatan kemudian bisa membandingkan manfaat operasional, bukan sekadar daftar fitur.

Perangkat adalah bagian dari layanan, bukan penggantinya

Kementerian Kesehatan mendefinisikan perawatan jangka panjang sebagai layanan pendampingan bagi lansia yang membutuhkan bantuan untuk memenuhi kebutuhan dasar sehari-hari. Kemenkes juga menempatkan keluarga dalam dukungan kesehatan, aktivitas, kehidupan sosial, dan pemantauan berkala. Alat deteksi hanya menangani satu bagian dari alur tersebut: mengenali pola dan menyampaikan pemberitahuan. Manfaat akhirnya bergantung pada pemasangan, akses pendamping, jaringan komunikasi, serta respons setelah alarm.

Pemisahan antara sensor ambang dan AI tetap berguna untuk memahami cara kerja, tetapi tidak cukup untuk memilih sistem. Bukti lapangan, beban alarm, cakupan ruang, kemudahan pemakaian, dan tata kelola data menentukan apakah alat bertahan dalam rutinitas. Label AI tanpa ukuran tersebut hanya memindahkan keputusan ke bahasa pemasaran. Standar keterbukaan akan membuat pembanding lebih jelas bagi keluarga, penyedia layanan, dan pembuat kebijakan.

ChatGPT Health dan SATUSEHAT: beda jalur, akses, dan akuntabilitas

Redaksi APPI News — Wed, 05 Aug 2026 00:00:00 GMT

ChatGPT Health dan SATUSEHAT sama-sama memproses informasi kesehatan, tetapi keduanya bukan layanan yang setara. ChatGPT Health adalah ruang konsumen untuk menghubungkan data pilihan pengguna dengan percakapan AI. SATUSEHAT adalah infrastruktur pertukaran data kesehatan nasional yang dikelola Kementerian Kesehatan (Kemenkes). Perbedaan fungsi itu menentukan siapa yang mengatur akses, menyimpan jejak pemrosesan, dan menerima pengaduan.

ChatGPT Health masih berpusat pada layanan Amerika Serikat

OpenAI mulai meluncurkan Health di ChatGPT kepada pengguna dewasa di Amerika Serikat pada 23 Juli 2026. Pengguna dapat menghubungkan Apple Health, rekam medis dari sistem rumah sakit AS yang didukung, One Medical, atau Function Health. ChatGPT meminta izin sebelum memakai data terhubung untuk menyesuaikan jawaban secara bawaan. Integrasi Apple Health hanya tersedia melalui perangkat iOS.

Ruang Health menerima rekam medis, hasil laboratorium, riwayat kunjungan, dan data kebugaran yang dipilih pengguna. OpenAI menyatakan data terhubung dan percakapan yang memakainya tidak dipakai untuk melatih model dasar atau menargetkan iklan. Akun sumber dapat diputus kapan saja, lalu data tersinkronisasi dihapus dari sistem OpenAI dalam 30 hari. Informasi yang sudah masuk ke riwayat percakapan tetap ada sampai percakapan itu dihapus.

SATUSEHAT menghubungkan pelaku dalam sistem kesehatan Indonesia

Kemenkes mendefinisikan SATUSEHAT sebagai ekosistem pertukaran data yang menghubungkan fasilitas kesehatan, regulator, penjamin, dan penyedia layanan digital. Pertukaran tersebut memakai standar HL7 FHIR dan antarmuka pemrograman aplikasi berbasis HTTPS. Tujuannya adalah menyamakan proses, format data, mekanisme teknis, dan keamanan. SATUSEHAT bukan asisten AI konsumen untuk menafsirkan hasil pemeriksaan.

Rekam medis elektronik di Indonesia juga berada dalam kerangka Permenkes No. 24 Tahun 2022 tentang Rekam Medis, yang masih berstatus berlaku. Pemrosesan data pribadi tunduk pada UU No. 27 Tahun 2022 tentang Pelindungan Data Pribadi. Kedua aturan memberi konteks hukum bagi data kesehatan, sedangkan ketentuan teknis SATUSEHAT menjelaskan pembagian akses. Struktur ini tidak berarti setiap aplikasi kesehatan otomatis boleh membaca seluruh rekam pasien.

Jejak audit membedakan janji produk dari tata kelola sistem

Ketentuan SATUSEHAT membagi kewajiban keamanan kepada platform, fasilitas kesehatan, dan pihak lain yang memperoleh akses. Hak akses harus mengikuti fungsi dan kewenangan pengguna. SATUSEHAT dan sistem fasilitas kesehatan juga wajib mengaktifkan rekam jejak audit. Catatan itu memuat waktu pemrosesan, pihak yang bertindak, objek data, serta perubahan sebelum dan sesudah pemrosesan.

Model tersebut menghasilkan tanggung jawab yang tersebar, bukan satu pintu tunggal. Kemenkes mengendalikan platform, sementara fasilitas kesehatan menjaga akses internal dan kualitas data yang mereka kirim. Penyedia sistem tetap bertanggung jawab atas aplikasi serta kredensial integrasinya. Jejak audit membantu penelusuran insiden, tetapi tidak membuktikan bahwa hasil olahan AI sudah benar secara klinis.

OpenAI memusatkan kontrol pada akun dan kebijakan perusahaan

Pemberitahuan privasi OpenAI menyebut pengguna dapat meminta ekspor atau penghapusan data Health melalui Privacy Portal. Dokumen itu juga menjelaskan bahwa personel berwenang dan penyedia layanan tepercaya mungkin mengakses data untuk meningkatkan keamanan model. Pengguna bisa menolak akses untuk tujuan tersebut melalui pengaturan yang tersedia. OpenAI tetap menjadi pintu utama bagi kontrol akun, permintaan data, dan dukungan produk.

Rantai ini lebih pendek daripada SATUSEHAT, tetapi jalur pendek tidak selalu lebih mudah diaudit dari luar. Kebijakan OpenAI menjelaskan izin, pemutusan sumber, retensi, dan penghapusan. Dokumen publik itu tidak menyediakan rekam audit individual yang setara dengan kewajiban pada sistem SATUSEHAT. Dokumen tersebut juga tidak menetapkan mekanisme pemulihan kerugian bagi pengguna Indonesia akibat jawaban AI yang keliru.

Kanal pengaduan tersedia, hasil penyelesaian belum terukur

Ketentuan SATUSEHAT menyediakan alamat bantuan Kemenkes untuk pertanyaan, keluhan, pengaduan, dan laporan keamanan. Identitas pengadu diverifikasi terhadap data dalam sistem sebelum permintaan diproses. OpenAI menyediakan Privacy Portal dan alamat khusus untuk permintaan hak atas data. Kedua kanal menjelaskan tempat mengajukan permintaan, bukan jaminan waktu penyelesaian atau bentuk ganti rugi.

Sampai artikel ini disusun, kami belum menemukan dokumen resmi tentang integrasi rekam medis ChatGPT Health dengan SATUSEHAT. Pengumuman OpenAI hanya menyebut sistem rumah sakit yang didukung di Amerika Serikat. Karena itu, mengunggah berkas secara manual ke layanan AI tidak sama dengan pertukaran rekam medis melalui SATUSEHAT. Kesenjangan ini juga mencegah perbandingan langsung tentang penanganan sengketa yang sama di kedua sistem.

Empat pertanyaan untuk membaca rantai tanggung jawab

Nama produk tidak cukup untuk menjelaskan arus data kesehatan. Penilaian tata kelola perlu memisahkan sumber data, pengendali, jejak audit, dan kanal koreksi. Empat pertanyaan berikut berlaku bagi layanan AI konsumen maupun aplikasi yang terhubung ke sistem kesehatan. Jawabannya harus tersedia dalam kebijakan resmi atau dokumen integrasi, bukan hanya materi pemasaran.

Unsur	Informasi yang perlu tersedia
Sumber data	Berkas diunggah manual, ditarik dari perangkat, atau dipertukarkan melalui sistem fasilitas kesehatan.
Pengendali	Nama badan yang menentukan tujuan pemrosesan dan pihak yang menerima akses.
Rekam audit	Catatan tentang waktu akses, identitas pemroses, perubahan data, dan masa penyimpanan.
Koreksi dan pengaduan	Kanal untuk memperbaiki data, menghapus salinan, melaporkan insiden, dan menelusuri status permintaan.

Perbandingan ini juga berkaitan dengan pilihan arsitektur AI medis yang menjaga data tetap di institusi. Lokasi data hanya satu bagian dari tata kelola. Siapa yang berwenang mengakses, bagaimana aktivitas dicatat, dan siapa yang menyelidiki insiden tetap harus ditetapkan. Akurasi jawaban AI tidak menggantikan tiga lapisan pertanggungjawaban tersebut.

RNG Coldcard gagal diam-diam: cacat konfigurasi mengungkap kunci

Redaksi APPI News — Wed, 05 Aug 2026 00:00:00 GMT

Sejumlah seed Coldcard dibuat dengan bilangan acak yang lebih mudah diprediksi, sementara perangkat tetap menampilkan proses pembuatan dompet seperti biasa. Block mengaitkan kejadian itu dengan kesalahan integrasi random number generator (RNG), yakni pembangkit bilangan acak. Jalur yang seharusnya memakai RNG perangkat keras justru berakhir pada generator perangkat lunak Yasmarang. Karena seed menentukan kunci privat, ruang kemungkinan yang menyusut membuka jalan bagi perhitungan kunci secara luring.

Coinkite menyatakan seed dari firmware terdampak tetap berisiko meski perangkat kemudian diperbarui. Pembaruan hanya memperbaiki pembuatan seed baru dan tidak menambah entropi pada seed lama. Produsen juga membedakan cacat ini dari kompromi fisik perangkat atau pencurian frasa pemulihan. Fokus insiden berada pada mutu bahan acak saat rahasia pertama kali dibuat.

Nilai nol lolos sebagai fitur yang dianggap tersedia

Coldcard menetapkan makro kompilasi MICROPY_HW_ENABLE_RNG ke nilai nol. Konfigurasi itu dimaksudkan agar firmware memakai pembungkus RNG perangkat keras milik Coldcard, bukan jalur bawaan MicroPython. Masalah muncul ketika libngu memeriksa makro tersebut dengan #ifndef. Pemeriksaan itu hanya menanyakan apakah nama makro sudah didefinisikan, bukan apakah nilainya aktif.

Analisis Block menunjukkan pemeriksaan tersebut membuat proses kompilasi berhasil dan mengikat libngu ke fungsi rng_get() milik MicroPython. Karena nilai makro nol, fungsi itu menjalankan Yasmarang sebagai jalur cadangan perangkat lunak. Yasmarang diinisialisasi dari identitas cip dan pencatat waktu, bukan sumber entropi kriptografis. Keluaran tetap berbentuk bilangan acak sehingga kesalahan tidak tampak pada antarmuka pengguna.

Generator deterministik akan menghasilkan aliran yang sama bila keadaan awal dan urutan pemanggilannya dapat direkonstruksi. Pemeriksaan nilai berulang tidak otomatis menemukan kelemahan semacam ini. Yasmarang biasanya menghasilkan nilai berurutan yang berbeda, sehingga pemeriksaan kesehatan sederhana tetap lolos. Proses hash setelah pembangkitan juga meratakan tampilan keluaran tanpa menciptakan informasi acak baru.

Dampak berbeda menurut generasi perangkat

Peringatan Coinkite mencakup Mk2 dan Mk3 versi 4.0.1 sampai 4.1.9. Versi perbaikan untuk kedua model itu adalah 4.2.0 atau lebih baru. Mk4 dan Mk5 memerlukan versi standar 5.6.0 atau Edge 6.6.0X. Coldcard Q memerlukan versi standar 1.5.0Q atau Edge 6.6.0QX.

Menurut Coinkite, seed pada Mk4, Mk5, dan Q sebelum versi perbaikan memiliki sekitar 72 bit entropi, bukan 128 bit yang diharapkan. Block memberi batas teknis yang lebih hati-hati karena keadaan pencatat waktu saling berkorelasi. Tim itu juga menyatakan biaya serangan bergantung pada identitas cip, waktu boot, riwayat pemanggilan RNG, dan biaya derivasi. Angka entropi bukan jaminan bahwa setiap seed bisa dipulihkan dengan biaya yang sama.

Perbedaan lain terletak pada proses reseed, yaitu memasukkan bahan acak baru ke keadaan generator. Mk4, Mk5, dan Q mengambil data dari elemen aman, lalu hanya meneruskan empat bita hasil hash ke fungsi reseed. Block menilai proses ini membedakan paling banyak 2³² aliran saat keadaan cadangan dan riwayat pemanggilan sudah diketahui. Penilaian tersebut belum didukung pengujian empiris menyeluruh pada semua perangkat.

Keluaran yang tampak acak belum membuktikan entropi

National Institute of Standards and Technology (NIST) menetapkan prinsip desain, validasi, dan uji kesehatan sumber entropi dalam SP 800-90B. Dokumen itu menempatkan sumber entropi sebagai komponen tersendiri dari generator bit acak deterministik dalam SP 800-90A. Pemisahan ini menjelaskan mengapa uji statistik pada keluaran tidak cukup. Sistem juga perlu memastikan sumber yang dimaksud benar-benar dipanggil dan menyumbang ketidakpastian.

Cacat Coldcard berada di perbatasan kode aplikasi, pustaka kriptografi, dan konfigurasi kompilasi. Setiap bagian dapat terlihat masuk akal ketika diperiksa secara terpisah. Kegagalan baru terlihat setelah simbol makro, fungsi yang ditautkan, dan jalur pada berkas biner diperiksa bersama. Uji unit pada algoritme saja tidak menjawab fungsi RNG mana yang benar-benar masuk ke firmware produksi.

Jejak sumber terbuka membantu Block mengikuti perubahan dari konfigurasi papan ke fungsi yang akhirnya dipanggil. Namun, ketersediaan kode tidak menjamin integrasi sudah diperiksa. Reproducible build (proses menghasilkan berkas biner yang sama dari sumber dan lingkungan yang ditetapkan) juga menjawab soal kesesuaian hasil kompilasi. Mekanisme itu tidak membuktikan bahwa konfigurasi keamanan di dalam sumber sudah benar.

Tiga pemeriksaan untuk jalur keamanan penting

Pemeriksaan pertama adalah menggagalkan operasi ketika sumber entropi yang diwajibkan tidak tersedia. Jalur cadangan yang lebih lemah tidak boleh menghasilkan seed seolah proses berhasil. Kesalahan harus muncul sebelum rahasia dibuat. Keputusan tersebut mengubah penurunan keamanan diam-diam menjadi kegagalan yang terlihat dan tercatat.

Pemeriksaan kedua memastikan identitas sumber RNG saat perangkat menyala. Uji kesehatan perlu memeriksa jalur yang benar-benar dipanggil, bukan sekadar pola keluaran. Hasilnya dapat dicatat sebagai bagian dari bukti operasi perangkat. Pengembang juga perlu menguji kondisi ketika RNG perangkat keras sengaja dibuat gagal.

Pemeriksaan ketiga memasukkan konfigurasi kompilasi dan simbol hasil penautan ke tinjauan keamanan. Pipeline dapat menolak nilai yang tidak sesuai, memeriksa simbol pada berkas biner, dan menguji citra firmware produksi. Pemeriksaan ini harus memakai konfigurasi yang sama dengan rilis pengguna. Perbedaan antara kode uji dan hasil produksi dapat meniadakan jaminan dari pengujian sebelumnya.

Versi baru tidak memperbaiki rahasia lama

Coinkite meminta pemilik seed terdampak memasang firmware perbaikan sebelum membuat seed pengganti. Produsen kemudian meminta pengguna memverifikasi cadangan dan alamat penerima, mengirim transaksi uji kecil, lalu memindahkan sisa dana. Cadangan lama dipertahankan sampai seluruh perpindahan terkonfirmasi. Prosedur itu berasal dari produsen dan memerlukan ketelitian karena kesalahan migrasi juga berisiko menghilangkan akses.

Pengecualian dalam advisori berlaku bagi seed yang sejak awal ditambah sedikitnya 50 lemparan dadu independen, adil, privat, dan tidak direkam. Coinkite juga menyebut frasa sandi BIP-39 yang kuat dan unik sebagai penghalang terpisah. Frasa sandi tidak memperbaiki seed terdampak sehingga produsen tetap menyarankan migrasi. PIN Coldcard bukan frasa sandi BIP-39 dan tidak memberi perlindungan yang sama.

TAPSIGNER, OPENDIME, dan SATSCARD tidak termasuk dalam cacat ini karena memakai basis kode berbeda. Kesimpulan juga tidak berlaku bagi seluruh dompet perangkat keras. Insiden menunjukkan kegagalan satu integrasi pada lini dan versi tertentu. Sampai artikel ini disusun, kami belum menemukan dokumen resmi Indonesia yang secara khusus mengatur kegagalan RNG pada dompet perangkat keras.

Halusinasi AI lahir dari insentif menebak, risikonya masuk kesehatan

Redaksi APPI News — Tue, 04 Aug 2026 17:07:03 GMT

Chatbot bisa menyusun nama, tanggal, kutipan, atau daftar pustaka yang tidak pernah ada dengan kalimat yang tetap terdengar meyakinkan. Gejala ini disebut halusinasi AI (AI hallucination), yakni keluaran yang tampak masuk akal tetapi salah atau tidak memiliki dasar. Masalahnya bukan sekadar pilihan kata yang buruk. Cara model mempelajari pola dan cara kinerjanya dinilai ikut menentukan apakah model menebak atau mengakui ketidakpastian.

Kesalahan muncul sebelum model menjawab pengguna

Makalah Adam Tauman Kalai, Ofir Nachum, Santosh S. Vempala, dan Edwin Zhang pada September 2025 menelusuri halusinasi ke tahap prapelatihan dan pascapelatihan. Dalam prapelatihan, model memperkirakan pola dari kumpulan contoh. Kesalahan tetap muncul ketika pernyataan salah sulit dibedakan secara statistik dari fakta, bahkan dalam gambaran teoretis dengan data pelatihan yang bersih. Analisis itu tidak menyatakan bahwa setiap jawaban salah memiliki satu penyebab yang sama.

Para penulis memberi contoh pertanyaan tentang tanggal lahir Kalai kepada model sumber terbuka. Model diminta menjawab hanya jika mengetahui jawabannya, tetapi menghasilkan tiga tanggal berbeda dalam tiga percobaan. Ketiganya salah. Contoh tersebut menunjukkan bahwa instruksi untuk berhati-hati belum tentu mengalahkan kecenderungan model menghasilkan kelanjutan yang tampak layak.

Penilaian biner membuat tebakan lebih menguntungkan

Banyak tolok ukur memberi nilai ketika jawaban benar dan tidak memberi nilai ketika jawaban salah. Pengakuan “tidak tahu” juga tidak menghasilkan nilai. Dalam susunan seperti ini, model yang selalu menebak bisa mengungguli model yang jujur tentang ketidakpastian. Peringkat model akhirnya ikut mempertahankan perilaku yang ingin dikurangi.

Makalah tersebut mengusulkan perubahan pada tolok ukur utama, bukan sekadar penambahan tes khusus halusinasi. Jawaban salah perlu menerima konsekuensi sesuai ambang keyakinan, sehingga menahan jawaban menjadi pilihan yang masuk akal saat bukti lemah. Usulan ini membahas insentif evaluasi, bukan obat tunggal bagi semua kesalahan model. Sistem pencarian dokumen pun masih bisa gagal ketika sumber tidak ditemukan atau perhitungan model keliru.

Audit kesehatan menemukan separuh jawaban bermasalah

Studi BMJ Open yang diumumkan pada 15 April 2026 menguji ChatGPT, Gemini, Meta AI, Grok, dan DeepSeek dengan 250 pertanyaan kesehatan. Topiknya mencakup kanker, vaksin, sel punca, gizi, dan performa olahraga. Sebanyak 50 persen jawaban dinilai bermasalah: 30 persen agak bermasalah dan 20 persen sangat bermasalah. Hanya dua dari 250 permintaan yang ditolak oleh chatbot.

Kualitas rujukan juga lemah. Skor kelengkapan rujukan rata-rata hanya 40 persen, dan tidak ada chatbot yang menghasilkan daftar referensi sepenuhnya akurat. Tautan atau judul ilmiah di dalam jawaban karena itu bukan bukti bahwa klaim telah diverifikasi. Pemeriksaan perlu mencocokkan isi sumber dengan pernyataan yang ditopangnya.

Angka tersebut tidak mewakili seluruh penggunaan chatbot. Peneliti hanya menilai lima layanan pada Februari 2025, sedangkan model komersial berubah cepat. Pertanyaannya juga sengaja dirancang untuk menguji kerentanan terhadap misinformasi dan saran berkontraindikasi. Desain itu mungkin memperbesar proporsi jawaban bermasalah dibandingkan pertanyaan sehari-hari.

Indonesia masih menyusun arah tata kelola AI kesehatan

Kementerian Kesehatan (Kemenkes) pada 8 Juni 2026 menyebut hasil yang bias atau keliru, kesalahan diagnosis, dan ancaman terhadap data pasien sebagai risiko AI kesehatan. Kemenkes mengharapkan rekomendasi mengenai aturan alat kesehatan berbasis AI, tata kelola data, persetujuan pasien, dan kapasitas komite etik. Pernyataan itu menunjukkan agenda kebijakan masih bergerak dari pembahasan risiko menuju pedoman operasional. Rilis tersebut tidak menetapkan kewajiban khusus untuk mengungkap halusinasi AI kepada pasien.

Sampai artikel ini disusun, kami belum menemukan dokumen resmi dari lembaga di Indonesia yang menetapkan kewajiban khusus untuk mengungkap halusinasi AI kepada pasien. Kesenjangan informasi ini tidak membuktikan bahwa tidak ada rumah sakit yang memiliki aturan internal. Tanpa dokumen publik, praktik antar-fasilitas juga belum bisa dibandingkan. Pernyataan tentang penerapan nasional karena itu belum memiliki dasar yang cukup.

Pengamanan perlu bekerja sebelum dan sesudah keluaran

Perubahan instruksi sistem bisa mendorong model menyatakan ketidakpastian, tetapi tidak menjamin setiap pernyataan benar. Pencarian berbasis dokumen membantu ketika sumber tepercaya tersedia dan berhasil ditemukan. Setiap kutipan tetap memerlukan pemeriksaan apakah dokumennya ada, dapat dibuka, dan benar-benar mendukung klaim. Pada layanan kesehatan, keluaran model tidak layak menjadi keputusan diagnosis atau terapi tanpa penilaian tenaga kesehatan.

Bagi pengelola platform, ukuran keberhasilan tidak cukup berhenti pada jumlah jawaban yang tampak membantu. Pengujian perlu mencatat jawaban salah, penolakan yang semestinya, sumber yang dibuat-buat, dan kinerja pada kelompok pengguna berbeda. Jalur eskalasi manusia diperlukan ketika dampak kesalahan tinggi. Catatan versi model dan sumber juga membuat insiden bisa ditelusuri setelah sistem diperbarui.

Halusinasi bukan alasan untuk menyamakan semua keluaran AI dengan informasi palsu. Model tetap berguna untuk menyusun draf, merangkum dokumen, dan membantu pencarian bila ada proses pemeriksaan. Batas utamanya terletak pada jarak antara kalimat yang terdengar benar dan bukti yang benar-benar tersedia. Tata kelola yang baik dirancang dengan asumsi bahwa jarak tersebut tidak pernah otomatis hilang.

Dana AI untuk obat melonjak, bukti klinis belum mengejar

Redaksi APPI News — Tue, 04 Aug 2026 00:00:00 GMT

Investasi pada penemuan obat berbasis kecerdasan artifisial (AI) kembali membesar pada 2026. Namun, nilai pendanaan belum menunjukkan bahwa obat yang ditemukan dengan AI akan lolos pengujian pada manusia. Kandidat terdepan baru mulai memasuki fase akhir, sedangkan beberapa program lain berhenti lebih awal. Jarak antara penemuan molekul dan persetujuan regulator tetap menjadi ukuran utama kemajuan.

Angka investasi datang bersama klaim industri

BCC Research menyatakan investasi terbaru di bidang ini melampaui US$2 miliar. Laporan pasar tersebut juga memperkirakan fase penemuan menyusut dari empat hingga lima tahun menjadi 12–18 bulan. Biaya riset diklaim turun 30–40 persen, sementara peluang kemajuan klinis disebut meningkat. Angka-angka itu adalah perkiraan industri, bukan hasil audit regulator atau uji klinis terkontrol.

Perbedaan definisi membuat besaran pasar sulit dibandingkan langsung. Sebuah platform bisa disebut berbasis AI karena memakai model untuk memilih target, merancang molekul, atau menyusun uji. Perusahaan lain memakai AI hanya pada satu bagian alur kerja. Karena itu, jumlah pendanaan tidak menjelaskan seberapa besar kontribusi model terhadap kandidat akhirnya.

Klaim nol persetujuan perlu dibaca sebagai inventarisasi

Kolom kontributor MedCity News pada 30 Juni 2026 menghitung sekitar 175 program asal AI telah memasuki uji manusia. Penulisnya memperkirakan sekitar US$60 miliar telah masuk sejak 2019 dan belum menemukan satu pun persetujuan FDA. MedCity menempatkan tulisan tersebut dalam program kontributor, bukan sebagai basis data regulator. Angka itu berguna sebagai gambaran, tetapi tidak boleh dibaca sebagai statistik resmi FDA.

Istilah “obat asal AI” juga belum memiliki batas tunggal. Ada kandidat dengan target yang dipilih model dan molekul yang dirancang secara generatif. Ada pula obat lama yang diarahkan ke penyakit baru setelah analisis komputasional. Perbedaan cakupan ini mengubah jumlah program yang masuk dalam setiap inventarisasi.

Keunggulan awal belum bertahan pada fase berikutnya

Analisis dalam Drug Discovery Today mencatat keberhasilan 80–90 persen untuk molekul asal AI pada fase I. Pada fase II, angkanya sekitar 40 persen dan setara dengan rerata historis industri. Para penulis menegaskan bahwa sampel fase II masih terbatas. Temuan tersebut menunjukkan sinyal awal, bukan bukti bahwa AI menggandakan peluang persetujuan akhir.

Fase I terutama menguji keamanan, tolerabilitas, dan perilaku obat dalam tubuh. Hasil yang lebih baik pada tahap ini konsisten dengan kemampuan model menyaring sifat kimia sebelum uji manusia. Fase II mulai menilai apakah kandidat memberi manfaat pada penyakit sasaran. Target biologis yang tampak meyakinkan dalam data laboratorium belum tentu bekerja pada pasien.

Rentosertib menjadi ujian paling maju

Rentosertib milik Insilico Medicine menunjukkan sejauh mana jalur ini telah bergerak. Uji acak fase IIa melibatkan 71 peserta selama 12 minggu. Studi itu menemukan sinyal perubahan fungsi paru pada kelompok tertentu dan profil keamanan yang mendukung penelitian lanjutan. Penulisnya meminta konfirmasi melalui uji berskala lebih besar dengan masa pengamatan lebih panjang.

Insilico mengumumkan dimulainya uji fase III di Tiongkok pada 7 Juli 2026. Perusahaan merencanakan 320 peserta dan pengamatan selama 52 minggu. Pengumuman dimulainya studi bukan hasil fase III dan bukan persetujuan pemasaran. Pembacaan tentang efektivitas harus menunggu hasil lengkap serta penelaahan regulator.

Kegagalan tetap muncul setelah pemilihan kandidat

Rentosertib bukan gambaran seluruh portofolio. BioPharma Dive mencatat VRG50635 milik Verge Genomics tidak berlanjut setelah uji tahap awal. Laporan yang sama menilai keunggulan pada fase I mungkin menghilang dalam pengujian lanjutan. Satu kegagalan juga belum cukup untuk menilai seluruh pendekatan AI.

Model menyusun peringkat berdasarkan data yang tersedia, tetapi tubuh manusia menghadirkan interaksi biologis yang lebih luas. Efek samping, metabolisme, pemilihan peserta, dan ukuran hasil tetap memengaruhi setiap fase. Penemuan yang lebih cepat bisa membawa lebih banyak kandidat ke klinik. Proses itu belum otomatis menghasilkan lebih banyak obat yang terbukti aman dan efektif.

FDA menilai bukti obat, bukan label teknologinya

FDA mencatat penggunaan AI telah menjangkau tahap nonklinis, klinis, pascapemasaran, dan manufaktur. Lembaga itu menyiapkan pendekatan berbasis risiko untuk data atau informasi yang dihasilkan AI. Kerangka tersebut tidak memberi jalur persetujuan otomatis bagi molekul yang dirancang model. Keamanan, efektivitas, dan mutu tetap menjadi dasar penilaian obat.

Sampai artikel ini disusun, kami belum menemukan dokumen resmi Indonesia yang menghitung kandidat obat asal AI dalam uji klinis nasional. Kami juga belum menemukan angka pembanding tentang hasil tiap fase atau persetujuannya. Ketiadaan temuan dalam penelusuran ini tidak berarti program semacam itu tidak ada. Perbandingan langsung dengan Amerika Serikat belum bisa dibuat dari dokumen publik yang kami periksa.

Ukuran kemajuan paling berguna berada pada hasil per fase, bukan nilai pendanaan. Data fase I memberi petunjuk tentang kualitas kandidat awal, sedangkan fase II dan III menguji manfaat pada pasien. Keputusan regulator baru datang setelah keseluruhan bukti ditelaah. Kandidat yang maju pada 2026 akan memperjelas apakah kecepatan penemuan berubah menjadi keberhasilan klinis.

Prediksi glukosa berbasis AI belum memiliki jalur jelas di Indonesia

Redaksi APPI News — Mon, 03 Aug 2026 17:12:33 GMT

Abbott memperkenalkan Libre Assist pada Januari 2026 sebagai fitur kecerdasan buatan generatif di dalam aplikasi pemantauan glukosa. Fitur itu membaca foto atau deskripsi makanan sebelum membandingkan perkiraannya dengan data sensor. Pengumuman resminya ditujukan kepada pengguna di Amerika Serikat, bukan peluncuran global serentak. Bagi Indonesia, pertanyaan utamanya bukan sekadar kemampuan AI, melainkan izin edar sensor, ketersediaan aplikasi, dan jalur pembiayaan.

Prediksi dibuat sebelum sensor merekam dampak makanan

Abbott menjelaskan bahwa Libre Assist memakai AI generatif untuk memperkirakan dampak makanan terhadap glukosa dari foto atau deskripsi teks. Hasilnya disajikan dengan warna hijau, kuning, atau oranye. Setelah makan, aplikasi menampilkan data dari sensor pemantauan glukosa berkelanjutan (continuous glucose monitoring atau CGM). Perbandingan itu menghubungkan prediksi awal dengan respons glukosa yang kemudian direkam.

CGM sendiri bukan teknologi AI. Direktorat Jenderal Kesehatan Lanjutan Kementerian Kesehatan (Kemenkes) menjelaskan bahwa sensor CGM mengukur glukosa pada cairan interstisial dan melaporkan data setiap 1–15 menit. Rangkaian data tersebut membentuk tren serta pola kenaikan dan penurunan glukosa. Libre Assist menambahkan lapisan prediksi makanan di atas sistem pengukuran itu.

Pernyataan produk membatasi peran AI

Prediksi aplikasi bukan hasil pengukuran sensor. Masukan pengguna, pengenalan bahan, dan model prediktif menambah sumber ketidakpastian sebelum data CGM tersedia. Abbott menyatakan AI generatif mungkin tidak selalu akurat dan Libre Assist tidak boleh dipakai untuk membuat keputusan pengobatan. Pernyataan itu menempatkan fitur tersebut sebagai informasi pendamping, bukan pengganti pengukuran atau penilaian klinis.

Pengumuman Abbott tidak menyertakan hasil uji independen berskala besar untuk akurasi prediksi makanan. Faktor aktivitas, stres, obat, dan masukan makanan juga disebut bisa membuat hasil aktual berbeda dari perkiraan. Karena itu, ketepatan sensor dan ketepatan prediksi AI adalah dua ukuran terpisah. Produk bisa merekam glukosa dengan baik tanpa membuktikan bahwa ramalan makanannya sama baiknya.

Izin edar menjadi pintu masuk di Indonesia

Permenkes No. 5 Tahun 2026 tentang Perbekalan Kesehatan menetapkan bahwa alat kesehatan yang diedarkan harus memiliki izin edar serta memenuhi kriteria keamanan, kemanfaatan, dan mutu. Aturan itu berlaku pada perangkat, sedangkan fitur aplikasi juga membawa persoalan kompatibilitas dan pembaruan perangkat lunak. Nama produk di negara lain tidak cukup untuk menunjukkan status resminya di Indonesia. Nomor izin dan pemegang izin perlu muncul pada sumber Kemenkes.

Kemenkes menyediakan portal e-Info Alkes untuk memeriksa produk terdaftar dan memantau izin edar alat kesehatan. Sampai artikel ini disusun, kami belum menemukan dokumen resmi yang mengonfirmasi izin edar Libre Assist atau sensor kompatibelnya di Indonesia. Kami juga belum menemukan pengumuman peluncuran lokal maupun dokumen Jaminan Kesehatan Nasional (JKN) yang memuat pembiayaan fitur tersebut. Ketiadaan dokumen yang kami temukan tidak membuktikan produknya tidak ada; statusnya belum terkonfirmasi.

Kontak lokal belum sama dengan ketersediaan fitur

Daftar lokasi resmi Abbott Diabetes Care mencantumkan PT Abbott Products Indonesia dan nomor layanan pelanggan di Jakarta. Namun, bagian Indonesia tidak menautkan halaman produk Libre khusus negara ini. Halaman yang sama memberi tautan produk lokal untuk sejumlah negara lain. Perbedaan tersebut tidak cukup untuk menyimpulkan model sensor mana yang dipasarkan atau fitur aplikasi mana yang diaktifkan di Indonesia.

Akses aplikasi juga tidak otomatis membuktikan akses layanan. Toko aplikasi bisa menampilkan perangkat lunak berdasarkan akun, bahasa, atau wilayah, sedangkan sensor memerlukan distribusi dan dukungan purnajual. Fitur AI dapat bergantung pada versi aplikasi dan sensor tertentu. Dokumen peluncuran lokal tetap dibutuhkan untuk menghubungkan keempat unsur itu.

Koreksi sensor menunjukkan AI bukan satu-satunya risiko

U.S. Food and Drug Administration mencatat koreksi terhadap sebagian sensor Libre 3 dan Libre 3 Plus setelah pengujian menemukan kemungkinan pembacaan glukosa rendah yang keliru. Tindakan itu mencakup sekitar 3 juta sensor dari satu lini produksi di Amerika Serikat. Secara global, Abbott menerima laporan 736 kejadian berat dan tujuh kematian yang berpotensi terkait. Abbott menyatakan penyebabnya telah diperbaiki dan produk Libre lain serta aplikasi tidak terdampak.

Peristiwa tersebut menyangkut perangkat keras tertentu, bukan bukti kegagalan Libre Assist. Namun, kasus itu memperlihatkan bahwa sistem CGM memiliki beberapa lapisan risiko: sensor, aplikasi, model AI, distribusi, dan pemberitahuan koreksi. Izin edar lokal serta dukungan purnajual menentukan jalur informasi saat salah satu lapisan bermasalah. Tanpa konfirmasi resmi untuk Indonesia, klaim kecanggihan AI belum menjawab persoalan akses dan akuntabilitas produk.

JKN membuka jalur penilaian AI medis, bukti manfaat belum tersedia

Redaksi APPI News — Mon, 03 Aug 2026 00:00:00 GMT

Indonesia telah membuka jalur baru untuk menilai teknologi kesehatan sebelum dipertimbangkan dalam pembiayaan publik. Jalur Penilaian Teknologi Kesehatan (PTK) Mandiri mencakup alat kesehatan dan diagnostik, termasuk produk yang memakai kecerdasan artifisial (AI). Namun, pembukaan jalur pengajuan bukan keputusan bahwa suatu alat akan dibayar oleh Jaminan Kesehatan Nasional (JKN). Keputusan tetap membutuhkan bukti manfaat, biaya, dan dampak terhadap layanan.

PTK Mandiri menjadi pintu pengajuan, bukan jaminan pembiayaan

Kementerian Kesehatan menetapkan Kepmenkes No. HK.01.07/Menkes/641/2026 pada 23 Juni 2026 dan mencatatnya sebagai peraturan yang berlaku. Keputusan itu memuat pedoman PTK Mandiri atau stakeholder-led submission. Jalur ini memungkinkan pemangku kepentingan menginisiasi kajian, bukan hanya menunggu topik yang dipilih pemerintah. Hasil kajian tetap melalui penelaahan sebelum menjadi dasar rekomendasi.

Badan Kebijakan Pembangunan Kesehatan (BKPK) menjelaskan bahwa PTK mencakup obat, alat kesehatan, diagnostik, prosedur klinis, dan program layanan. Komite PTK memberi rekomendasi pemanfaatannya dalam JKN atau program Kementerian Kesehatan. BKPK juga menegaskan bahwa kajian mandiri harus mempertahankan kualitas dan independensi. Pihak pengusul karena itu tidak menentukan sendiri hasil pembiayaan.

Nilai alat tidak berhenti pada angka akurasi

Alat diagnosis AI biasanya dipromosikan melalui sensitivitas, spesifisitas, atau kecepatan membaca citra. Angka itu penting, tetapi tidak langsung menunjukkan manfaat bagi JKN. Penilaian juga perlu melihat apakah hasil pasien membaik dan waktu tenaga kesehatan benar-benar berkurang. Biaya pemeriksaan ulang, rujukan berlebih, kasus terlewat, serta kebutuhan infrastruktur ikut mengubah nilai akhirnya.

World Health Organization (WHO) mendefinisikan penilaian teknologi medis sebagai proses multidisiplin yang mencakup dampak klinis, ekonomi, etika, dan sosial. WHO mengaitkan proses itu dengan keputusan adopsi atau penggantian biaya oleh sistem kesehatan. Dampak anggaran diperlukan agar pembelian teknologi tidak menggeser layanan yang memberi manfaat lebih besar. Pemerataan akses juga penting ketika perangkat hanya tersedia di rumah sakit dengan jaringan dan tenaga memadai.

Bukti klinis harus mengikuti alat sepanjang masa pakai

Perangkat lunak AI berbeda dari alat medis yang fungsinya tetap setelah dipasang. Performa bisa berubah ketika populasi pasien, kamera, protokol, atau alur kerja berbeda dari tempat pengembangan. Pembaruan model juga bisa mengubah hasil tanpa perubahan yang terlihat pada perangkat keras. Penilaian satu kali sebelum penggunaan belum menjawab seluruh risiko tersebut.

Kerangka WHO untuk alat medis berbasis AI mencakup pembentukan bukti sejak pengembangan, validasi, evaluasi, hingga pengawasan setelah pemasaran. Susunan bukti perlu memisahkan data pelatihan dari data pengujian dan memperhatikan kelompok yang kurang terwakili. Uji di satu rumah sakit belum otomatis berlaku pada jaringan layanan yang lebih luas. Data kinerja setelah penerapan diperlukan untuk mendeteksi penurunan akurasi dan dampak yang tidak muncul dalam uji awal.

Biaya tersembunyi berada di alur layanan

Penghematan waktu tidak cukup dihitung dari selisih menit membaca satu citra. Rumah sakit mungkin tetap membutuhkan dokter untuk memeriksa hasil positif, menangani gambar gagal, dan menyelesaikan perbedaan antara sistem dengan penilaian klinis. Integrasi ke rekam medis, keamanan siber, pemeliharaan, dan pelatihan operator menambah biaya. Sebaliknya, deteksi lebih cepat baru bernilai bila pasien memperoleh tindak lanjut yang tepat.

Perbandingan yang relevan adalah layanan dengan AI melawan layanan standar pada kondisi nyata. Ukurannya bisa mencakup hasil klinis, waktu hingga tindakan, beban kerja, kejadian salah diagnosis, dan biaya per pasien. Analisis juga perlu membedakan biaya rumah sakit dari dampak anggaran JKN. Tanpa pemisahan itu, penghematan di satu fasilitas bisa berubah menjadi pengeluaran tambahan bagi sistem.

Kerangka tata kelola AI Indonesia masih disusun

Kementerian Kesehatan pada Juni 2026 membahas regulasi AI kesehatan, data medis, keamanan siber, telaah etik, dan persetujuan pasien. Forum itu ditujukan untuk menghasilkan rekomendasi kebijakan dan pedoman nasional. Pernyataan tersebut menunjukkan agenda tata kelola sedang dibangun. Dokumen itu tidak menyebut keputusan pembiayaan JKN untuk produk diagnosis AI tertentu.

Portal pemantauan BKPK mencatat kajian tata kelola AI kesehatan masih berproses dengan batas akhir 31 Desember 2026. Pertanyaan kebijakannya mencakup keselamatan pasien, pelindungan data pribadi, dan keandalan hasil AI. Status itu tidak berarti seluruh penggunaan AI harus menunggu kajian selesai. Status tersebut menunjukkan pedoman operasional nasional belum boleh dianggap sudah final.

Belum ada daftar publik alat diagnosis AI yang dibiayai JKN

Sampai artikel ini disusun, kami belum menemukan dokumen resmi Indonesia yang menyebut alat diagnosis AI tertentu telah memperoleh pembiayaan JKN melalui PTK Mandiri. Kami juga belum menemukan daftar hasil PTK Mandiri untuk produk semacam itu. Temuan ini tidak membuktikan bahwa rumah sakit Indonesia tidak memakai AI atau tidak membayar teknologi melalui mekanisme lain. Artinya, klaim tentang cakupan nasional belum bisa dibuat dari dokumen publik yang diperiksa.

Jalur PTK Mandiri memberi pengembang dan fasilitas kesehatan pintu untuk membawa bukti ke proses kebijakan. Mutu kajian akan ditentukan oleh pembanding yang tepat, data Indonesia, keterbukaan konflik kepentingan, dan pengukuran biaya penuh. JKN kemudian perlu menilai apakah manfaat tambahan sepadan dengan anggaran dan tidak memperlebar kesenjangan layanan. Untuk AI medis, pertanyaan terpenting bukan sekadar apakah model akurat, melainkan apakah seluruh alur menghasilkan manfaat yang bisa dipertanggungjawabkan.

FDA meloloskan UpDoc: LLM menjadi antarmuka, bukan pengambil keputusan

Redaksi APPI News — Sun, 02 Aug 2026 00:00:00 GMT

Food and Drug Administration (FDA) Amerika Serikat meloloskan UpDoc melalui jalur 510(k), bukan kategori baru untuk dokter AI. Perangkat lunak ini memasukkan model bahasa besar (large language model/LLM) ke dalam layanan pengelolaan insulin. Namun, rencana terapi tetap ditentukan tenaga kesehatan. Pemisahan antara percakapan dan keputusan menjadi inti desain regulasinya.

UpDoc menyebut produknya sebagai perangkat klinis pertama berizin FDA yang memakai LLM untuk berinteraksi langsung dengan pasien. STAT melaporkan klaim tersebut bersama penjelasan bahwa produk berada dalam kategori kalkulator dosis obat. FDA sendiri mencatatnya sebagai “Calculator, Drug Dose”, bukan sebagai kelas perangkat LLM. Perbedaan istilah itu penting saat membaca arti izin tersebut.

Izin untuk fungsi yang sempit

Basis data FDA mencatat K253281 diterima pada 29 September 2025 dan diputuskan pada 23 Desember 2025. Keputusannya adalah substantially equivalent atau setara secara substansial dengan perangkat pembanding. Produk ini termasuk perangkat lunak medis Kelas II dan hanya digunakan dengan resep. FDA juga mengesahkan predetermined change control plan (PCCP), yaitu rencana perubahan yang ditentukan sebelumnya.

Dokumen 510(k) membatasi UpDoc bagi pasien berusia 18 tahun ke atas yang telah didiagnosis diabetes tipe 2. Sistem menyampaikan instruksi rencana insulin berdasarkan parameter dari tenaga kesehatan. Cakupan ini tidak meliputi diabetes tipe 1. Izin tersebut juga tidak berlaku bagi chatbot medis serbaguna.

Percakapan di luar, logika klinis di dalam

UpDoc memiliki portal tenaga kesehatan, aplikasi pasien, dan layanan berbasis komputasi awan. Bagian awan terdiri atas Conversation Service bernama UpDoc Agent dan Clinical Service. Pasien memasukkan glukosa, makanan, gejala, dan kepatuhan pengobatan melalui papan ketik, suara, atau percakapan teks. Data glukosa juga bisa masuk dari alat yang terhubung.

Ringkasan keputusan FDA menyebut tenaga kesehatan mengatur jenis instruksi, batas dosis, algoritma penyesuaian, sasaran glukosa, dan protokol keselamatan. Aplikasi awan menghitung instruksi berdasarkan parameter tersebut. LLM menangani interaksi, tetapi dokumen publik tidak mengidentifikasi model dasar atau versi yang dipakai. Karena itu, izin ini tidak membuktikan kemampuan klinis sebuah LLM tertentu.

Dokumen 510(k) juga menjelaskan batas untuk laporan gejala. Sistem tidak menafsirkan atau mendiagnosis gejala. Gejala di luar protokol yang telah ditentukan memicu penguncian sistem dan arahan mencari bantuan medis. Respons itu mengikuti aturan yang telah ditanamkan, bukan penalaran bebas model.

d-Nav membuka jalur 510(k)

Jalur 510(k) menilai apakah perangkat baru setara secara substansial dengan produk pembanding yang sudah dipasarkan secara legal. UpDoc memakai d-Nav System dari Hygieia dengan nomor K181916. Keduanya membantu menentukan rekomendasi dosis insulin berikutnya untuk pengelolaan diabetes tipe 2. Keduanya juga membutuhkan resep dan pengaturan oleh tenaga kesehatan.

Perbedaannya terlihat pada cara pasien memasukkan data dan pada fitur keselamatan. UpDoc menerima percakapan suara atau teks, sedangkan d-Nav tidak memiliki lapisan percakapan yang sama. FDA tetap menempatkan fungsi teraturnya pada perhitungan dosis berbasis rencana terapi. Kesetaraan itu membuat UpDoc tidak perlu membuka klasifikasi De Novo khusus untuk LLM.

Keputusan tersebut bukan pengesahan umum atas arsitektur “agen AI” dalam layanan kesehatan. FDA menilai perangkat, indikasi, pembanding, dan bukti yang diajukan dalam satu berkas. Produk dengan diagnosis terbuka atau pilihan terapi otonom memiliki profil risiko berbeda. K253281 tidak menyediakan jalan pintas bagi fungsi yang lebih luas.

PCCP mengatur perubahan setelah izin

PCCP memberi ruang bagi produsen untuk melakukan perubahan yang telah dijelaskan dan dinilai sejak awal. Ruangnya mencakup nilai bawaan, definisi klinis, referensi produk insulin, fitur dosis, antarmuka, bahasa, dan metode masukan data. Perubahan tetap harus melewati pengujian yang tercantum dalam rencana. Otorisasi ini bukan izin untuk mengubah fungsi klinis tanpa batas.

FDA mewajibkan setiap perubahan mempertahankan logika dosis deterministik tanpa mengubah pengambilan keputusan klinis inti. Kerangka uji mencakup pengujian unit, integrasi, regresi, penelaahan klinis, dan evaluasi faktor manusia berbasis risiko. Data dari sumber baru juga harus sama dengan masukan manual. Dengan batas tersebut, pembaruan antarmuka tidak otomatis memperluas kewenangan model.

Apa yang dinilai dan belum dibuka

Ringkasan keputusan mencantumkan studi klinis sebagai “not applicable” untuk pengajuan ini. FDA menilai validasi faktor manusia, dokumentasi perangkat lunak, pengujian, analisis risiko, dan keamanan siber. Berkas itu diklasifikasikan pada tingkat perhatian besar karena rekomendasi dosis berpengaruh pada keselamatan pasien. Kesetaraan substansial tidak sama dengan uji klinis baru atas LLM sebagai pengambil keputusan.

Dokumen publik juga tidak membuka model dasar, susunan prompt, parameter generasi, atau sistem pengelolaan versi. Kekosongan itu membatasi audit independen terhadap lapisan percakapan. Publik bisa melihat batas fungsi dan kewajiban pengujian, tetapi tidak seluruh rincian implementasi. Klaim tentang kecerdasan atau keunggulan model tidak bisa ditarik dari izin ini.

Indonesia masih menyusun kerangka AI kesehatan

Konteks Indonesia tidak bisa disamakan langsung dengan jalur 510(k) Amerika Serikat. Kementerian Kesehatan (Kemenkes) pada Juni 2026 menyebut aturan alat kesehatan berbasis AI sebagai salah satu rekomendasi yang masih perlu disusun. Agenda itu juga mencakup tata kelola data, persetujuan pasien, dan kemampuan komite etik. Pernyataan tersebut menunjukkan arah kebijakan, bukan jalur izin yang setara dengan PCCP.

Penilaian pembiayaan memakai pintu yang berbeda. Kemenkes membuka Penilaian Teknologi Kesehatan Mandiri pada Juli 2026 untuk menguji bukti, biaya, dan relevansi inovasi bagi kebutuhan pasien Indonesia. Proses itu bisa memberi bahan bagi keputusan pembiayaan. Namun, penilaian teknologi bukan pengganti izin produk atau audit arsitektur perangkat.

Sampai artikel ini disusun, kami belum menemukan dokumen resmi Indonesia yang menetapkan batas khusus antara antarmuka LLM dan mesin keputusan pada alat kesehatan. Temuan tersebut tidak berarti aturan itu pasti tidak ada. Artinya, padanan langsung untuk desain regulasi UpDoc belum terlihat dalam dokumen publik yang kami periksa. Indonesia tetap memerlukan penilaian terpisah atas keselamatan, bukti manfaat, data, dan dampak anggaran.

Batas keputusan menjadi ukuran utama

Kasus UpDoc menunjukkan bahwa label LLM saja tidak menjelaskan fungsi klinis sebuah perangkat. Pertanyaan regulasi terletak pada data yang disentuh model, keluaran yang dibuat, dan komponen yang memegang keputusan. Batas penguncian serta jalur eskalasi juga harus terlihat dalam dokumentasi. Pengujian perlu membuktikan bahwa perubahan antarmuka tidak memindahkan kewenangan klinis secara diam-diam.

Untuk rumah sakit dan pembayar, akurasi bukan satu-satunya ukuran. Mereka juga perlu menilai keterlacakan keputusan, tanggung jawab tenaga kesehatan, pengawasan perubahan, dan kemampuan audit. UpDoc menawarkan satu contoh dengan cakupan sempit. Contoh itu belum membuktikan bahwa pola yang sama aman untuk diagnosis terbuka atau terapi otonom.

Aturan chatbot AI kesehatan mental terpecah, Indonesia masih meraba

Redaksi APPI News — Sat, 01 Aug 2026 16:58:56 GMT

Percakapan dengan chatbot AI dapat terasa seperti ruang pribadi, tetapi status hukumnya bergantung pada fungsi yang ditawarkan. Pendamping digital, penyedia informasi kesehatan, dan layanan terapi bukan kategori yang sama. Sejumlah negara bagian Amerika Serikat mulai menarik batas itu melalui aturan yang berbeda. Indonesia sudah memiliki prinsip umum, tetapi pagar operasional untuk chatbot kesehatan mental belum terlihat dalam dokumen resmi yang kami telusuri.

Illinois membatasi keputusan terapi, bukan seluruh pemakaian AI

Illinois memberlakukan Wellness and Oversight for Psychological Resources Act atau WOPR Act pada 1 Agustus 2025. Illinois Department of Financial and Professional Regulation menjelaskan bahwa terapi atau psikoterapi harus diberikan oleh tenaga profesional berlisensi. AI tidak boleh membuat keputusan terapeutik independen, berkomunikasi langsung sebagai terapis, atau menyusun rekomendasi tanpa tinjauan profesional. Pemakaian untuk penjadwalan, pencatatan, dan dukungan administratif tetap diperbolehkan dalam batas undang-undang itu.

Pelanggaran dapat dikenai denda perdata hingga US$10.000 untuk setiap kejadian. Besarnya sanksi ditentukan menurut tingkat bahaya dan keadaan pelanggaran. Desain ini menempatkan tanggung jawab klinis pada manusia berlisensi. Karena itu, menyebut WOPR Act sebagai larangan atas semua AI dalam layanan kesehatan mental akan terlalu luas.

Oregon memilih protokol krisis dan perlindungan anak

Oregon mengambil jalur berbeda melalui SB 1546. Naskah dan ringkasan resmi mewajibkan operator pendamping AI memiliki protokol untuk mendeteksi ide bunuh diri atau menyakiti diri. Protokol itu mencakup rujukan ke layanan krisis yang sesuai dan intervensi tambahan berdasarkan praktik klinis. Operator juga harus memberi tahu pengguna ketika keluaran yang mereka hadapi dihasilkan AI.

Ketentuan tambahan berlaku bila operator memiliki alasan untuk meyakini penggunanya masih di bawah umur. Sistem harus mengulang pemberitahuan tentang keluaran AI dan pengingat jeda setidaknya setiap tiga jam interaksi. Rancangan ini menyasar mekanisme keterikatan dan risiko krisis, bukan mengubah chatbot menjadi layanan klinis. Definisi dalam SB 1546 juga mengecualikan beberapa perangkat lunak layanan pasien, pendidikan, bisnis, dan bantuan teknis.

Perbedaan Illinois dan Oregon menunjukkan dua sasaran regulasi. Illinois mengatur siapa yang boleh memberikan terapi serta bagaimana tenaga berlisensi memakai AI. Oregon mengatur perilaku platform pendamping, keterbukaan identitas AI, dan respons terhadap risiko krisis. Perlindungan pengguna akhirnya bergantung pada kategori produk dan wilayah tempat aturan berlaku.

Indonesia memiliki prinsip umum, belum standar khusus chatbot

Lapisan nasional yang paling jelas saat ini berasal dari Kementerian Komunikasi dan Digital (Komdigi). Surat Edaran Menteri Komunikasi dan Informatika No. 9 Tahun 2023 tentang Etika Kecerdasan Artifisial masih berstatus berlaku. Dokumen itu memuat prinsip keamanan, transparansi, akuntabilitas, dan pelindungan data pribadi. Ruang lingkupnya umum dan tidak menetapkan standar deteksi krisis atau batas klaim terapi bagi chatbot kesehatan mental.

Data percakapan tentang kondisi psikologis tetap berada dalam kerangka UU No. 27 Tahun 2022 tentang Pelindungan Data Pribadi, yang tercatat berstatus berlaku. Kerangka data menjawab kewajiban pemrosesan informasi pribadi, bukan mutu jawaban kesehatan mental. Ia juga tidak menetapkan kapan sebuah percakapan digital berubah menjadi terapi. Pemisahan ini penting karena satu produk dapat mematuhi tata kelola data tanpa membuktikan keamanan klinisnya.

Kemenkes menempatkan chatbot sebagai sumber informasi awal

Kementerian Kesehatan (Kemenkes) sudah menyampaikan batas penggunaan kepada publik. Kemenkes menyebut keluaran chatbot kesehatan sebagai titik awal pencarian informasi, bukan diagnosis atau dasar tindakan pengobatan. Pernyataan itu mengakui penggunaan chatbot tanpa memberinya kedudukan sebagai tenaga medis. Namun, nasihat publik bukan standar produk yang memerinci audit, pengalihan krisis, atau sanksi.

Proses kebijakan juga belum selesai. Badan Kebijakan Pembangunan Kesehatan mencatat kajian 2026 untuk merumuskan kerangka tata kelola AI kesehatan yang operasional dan terstandar. Pertanyaan kebijakannya mencakup keselamatan pasien, pelindungan data, dan keandalan hasil AI. Catatan pemantauan itu menunjukkan tahap kajian, bukan aturan final yang sudah berlaku.

Celah utama terletak pada klasifikasi dan pertanggungjawaban

Sampai artikel ini disusun, kami belum menemukan dokumen resmi dari lembaga di Indonesia yang menetapkan aturan khusus bagi chatbot AI kesehatan mental. Temuan tersebut tidak berarti aturan itu pasti tidak ada. Batas penelusuran hanya menunjukkan dokumen nasional yang tersedia belum memberi standar setara Illinois atau Oregon. Informasi baru dari Kemenkes atau Komdigi dapat mengubah kesimpulan ini.

Perbandingan ketiga yurisdiksi memperlihatkan empat pertanyaan kebijakan: kategori layanan, klaim yang diperbolehkan, mekanisme krisis, dan pihak yang bertanggung jawab. Prinsip etika AI memberi arah, sedangkan UU Pelindungan Data Pribadi mengatur lapisan data. Keduanya belum menjawab seluruh risiko ketika sistem memberi respons yang terdengar seperti terapi. Masalah serupa muncul pada halusinasi AI yang memasuki konteks kesehatan, ketika jawaban meyakinkan tidak selalu memiliki dasar yang benar.

Zero trust di Indonesia: kontrol bank ada, peta adopsi belum terbuka

Redaksi APPI News — Fri, 31 Jul 2026 17:02:17 GMT

Akses ke sistem organisasi kini datang dari kantor, rumah, perangkat pribadi, penyedia cloud, dan mitra usaha. Lokasi di jaringan internal tidak lagi cukup untuk membuktikan bahwa suatu permintaan aman. Arsitektur zero trust (model keamanan tanpa kepercayaan tersirat) memeriksa identitas, perangkat, sumber daya, dan konteks sebelum memberikan akses. Di Indonesia, kontrol sejenis sudah tampak dalam aturan perbankan, tetapi tingkat penerapannya belum dipetakan secara terbuka.

Kepercayaan tidak lagi mengikuti lokasi jaringan

National Institute of Standards and Technology (NIST) menyatakan zero trust memindahkan fokus pertahanan dari perimeter jaringan ke pengguna, aset, dan sumber daya. Akun atau perangkat tidak otomatis dipercaya karena berada di kantor atau dimiliki perusahaan. Autentikasi dan otorisasi dilakukan untuk setiap permintaan akses. Perlindungan mengikuti sumber daya, bukan sekadar ruas jaringan tempat sumber daya itu berada.

Model ini berbeda dari pemeriksaan login satu kali. Sistem perlu mengetahui siapa yang meminta, perangkat apa yang dipakai, dan sumber daya mana yang dituju. Sinyal lain mencakup tingkat risiko, lokasi koneksi, waktu, serta pola aktivitas. Kebijakan kemudian memberi akses minimum yang diperlukan, menolak permintaan, atau meminta verifikasi tambahan.

Identitas, perangkat, kebijakan, dan catatan aktivitas harus terhubung

Lapisan pertama adalah identitas pengguna dan layanan. Organisasi memerlukan autentikasi multifaktor (MFA), pengelolaan akun, serta pembatasan hak istimewa. Akun administrator perlu dipisahkan dari akun kerja harian. Perubahan jabatan atau berakhirnya kontrak juga harus segera mengubah hak akses.

Lapisan kedua menilai perangkat ujung (endpoint), termasuk laptop, ponsel, dan server. Sistem memeriksa pendaftaran perangkat, pembaruan keamanan, enkripsi, serta tanda kompromi. Identitas yang sah tidak cukup jika perangkatnya tidak dikenal atau terinfeksi. Pemeriksaan perlu diulang karena kondisi perangkat berubah setelah sesi dimulai.

Lapisan berikutnya menghubungkan kebijakan akses dengan data dan aplikasi. Organisasi harus mengetahui aset, pemilik, tingkat sensitivitas, serta aliran datanya. Tanpa inventaris itu, mesin kebijakan tidak memiliki dasar untuk membedakan akses biasa dan akses berisiko tinggi. Catatan aktivitas lalu dipakai untuk mendeteksi penyimpangan dan meninjau keputusan akses.

Penerapan bertahap lebih realistis daripada penggantian serentak

Zero trust bukan satu produk yang selesai setelah dipasang. NIST SP 1800-35 mendokumentasikan 19 contoh penerapan yang dibangun bersama 24 organisasi. Contohnya memakai kombinasi tata kelola identitas, segmentasi mikro, perimeter berbasis perangkat lunak, dan pengamanan akses layanan. Banyak susunan teknologi bisa memenuhi prinsip yang sama.

Tahap awal biasanya memetakan pengguna, perangkat, aplikasi, data, dan jalur akses pihak ketiga. Organisasi kemudian dapat memilih sumber daya kritis untuk proyek terbatas. Hasilnya diukur melalui akses berlebih yang ditutup, waktu deteksi, gangguan pengguna, dan kemampuan pemulihan. Perluasan dilakukan setelah kebijakan, data perangkat, dan dukungan operasional stabil.

Aplikasi lama menjadi hambatan utama karena tidak selalu mendukung autentikasi modern atau kebijakan terperinci. Integrasi juga bisa menghasilkan terlalu banyak permintaan verifikasi dan alarm. Pengecualian darurat yang tidak diawasi berpotensi membuat jalur baru bagi penyerang. Karena itu, migrasi memerlukan pemilik kebijakan, pencatatan perubahan, pengujian, dan rencana pemulihan.

Aturan OJK sudah memuat kontrol yang beririsan

Otoritas Jasa Keuangan (OJK) mengatur ketahanan dan keamanan siber bank umum melalui SEOJK No. 29/SEOJK.03/2022. Aturan itu meminta identifikasi dan autentikasi akses pada perangkat lunak serta perangkat keras, disertai pengendalian akses pengguna. Bank juga diminta memakai MFA untuk akses data sensitif atau seluruh jaringan bila diperlukan. Kewajiban ini berlaku bagi bank umum konvensional dan syariah.

Dokumen OJK juga mencakup keamanan perangkat ujung, reputasi alamat IP, pembatasan akses basis data, dan saluran autentikasi terenkripsi. Akses pihak ketiga, perangkat pribadi, jaringan kantor, dan layanan cloud masuk dalam penilaian risiko. Unsur tersebut beririsan dengan zero trust karena keputusan tidak hanya bergantung pada lokasi jaringan. Namun, kesesuaian beberapa kontrol tidak membuktikan bahwa sebuah bank telah menerapkan arsitektur itu secara menyeluruh.

OJK meminta bank menilai risiko inheren, mengukur kematangan keamanan siber, melakukan pengujian, dan menyiapkan fungsi penanganan siber. Pengukuran itu lebih luas daripada label teknologi tertentu. Bank bisa memenuhi suatu kontrol dengan rancangan yang berbeda sesuai risiko dan arsitekturnya. Data penilaian masing-masing bank juga tidak disajikan dalam dokumen tersebut sebagai peringkat publik.

Kebijakan nasional belum menjadi peta adopsi zero trust

Peraturan Badan Siber dan Sandi Negara (BSSN) No. 5 Tahun 2024 menetapkan Rencana Aksi Nasional Keamanan Siber untuk 2024–2028. Rencana itu memuat arah kebijakan, sasaran, kegiatan, indikator, target, penanggung jawab, dan instansi terkait. Cakupannya adalah keamanan siber nasional, bukan jadwal tunggal penerapan zero trust. Dokumen tersebut juga tidak dapat dipakai untuk menyimpulkan tingkat adopsi setiap instansi atau perusahaan.

Sampai artikel ini disusun, kami belum menemukan data resmi yang memetakan penerapan zero trust pada instansi pemerintah, bank, dan perusahaan Indonesia. Belum ditemukan pula daftar nasional yang menilai kematangan penerapan berdasarkan satu metodologi terbuka. Kesenjangan informasi itu membatasi perbandingan antarsektor. Klaim bahwa Indonesia telah mencapai tahap tertentu harus diuji pada dokumen dan bukti teknis tiap organisasi.

Ukuran kemajuan berada pada kontrol, bukan nama produk

Organisasi dapat menilai kemajuan melalui cakupan inventaris, jumlah akun istimewa, dan kecepatan pencabutan akses. Ukuran lain mencakup perangkat yang terpantau, sumber daya dengan kebijakan terperinci, dan akses pihak ketiga yang tercatat. Angka pembelian lisensi tidak menjelaskan apakah keputusan akses benar-benar memakai sinyal risiko. Sertifikat produk juga tidak menggantikan pengujian pada arsitektur organisasi.

Zero trust tetap bergantung pada kualitas data identitas, konfigurasi, dan respons insiden. Akun yang salah diklasifikasikan masih bisa memperoleh hak berlebih. Perangkat yang tidak mengirim telemetri dapat menghasilkan keputusan keliru. Arsitektur ini mengurangi kepercayaan tersirat, tetapi tidak menghapus kebutuhan akan pencadangan, pengujian, pelatihan, dan pemulihan.

FHIR menopang SATUSEHAT, tetapi belum menjamin AI medis akurat

Redaksi APPI News — Thu, 30 Jul 2026 17:06:47 GMT

Rekam medis elektronik tidak otomatis saling dipahami hanya karena tersimpan secara digital. Nama pemeriksaan, struktur kunjungan, dan kode diagnosis bisa berbeda antarsistem. Fast Healthcare Interoperability Resources (FHIR) menyusun unsur itu sebagai resource, yakni unit data berstruktur yang bisa dipertukarkan melalui antarmuka pemrograman aplikasi. Di Indonesia, fungsi tersebut menjadi bagian dari infrastruktur SATUSEHAT.

FHIR menjadi lapisan pertukaran SATUSEHAT

Kementerian Kesehatan (Kemenkes) menjelaskan bahwa SATUSEHAT menghubungkan fasilitas pelayanan kesehatan, regulator, penjamin, dan penyedia layanan digital. Dokumen itu mencatat lebih dari 400 aplikasi kesehatan pemerintah sebelumnya belum saling terintegrasi. Ketidakseragaman metadata dan format pertukaran juga menghambat perpindahan informasi. SATUSEHAT menetapkan HL7 FHIR dan HTTPS REST API sebagai mekanisme bersama.

Dokumentasi SATUSEHAT mendefinisikan FHIR sebagai standar global untuk format, elemen data yang disebut resource, dan API pertukaran informasi. Data pasien, kunjungan, observasi, kondisi, atau obat tidak dikirim sebagai satu dokumen tanpa struktur. Setiap unsur memiliki tempat dan hubungan yang bisa dibaca sistem lain. Profil penerapan kemudian membatasi resource sesuai kebutuhan layanan di Indonesia.

Struktur data masih membutuhkan kamus klinis

FHIR mengatur bentuk pertukaran, sedangkan kode klinis menjaga arti data. Kolom diagnosis yang rapi tetap bermasalah bila dua sistem memakai kode berbeda untuk kondisi yang sama. SATUSEHAT memakai ICD-10 untuk diagnosis, LOINC untuk uji laboratorium, dan SNOMED CT untuk istilah klinis. Dokumen terminologi juga membagi daftar kode menurut layanan dan kasus penggunaan.

API Gateway SATUSEHAT memeriksa format dan kode terminologi sebelum permintaan diteruskan ke server FHIR. Sistem mengembalikan pesan galat ketika format, nilai, atau data berulang tidak memenuhi ketentuan. Pemeriksaan mesin ini mencegah sebagian kesalahan masuk ke lapisan pertukaran. Validasi tersebut tidak memastikan catatan awal sudah lengkap atau kesimpulan klinisnya benar.

AI memperoleh susunan data, bukan jawaban klinis

Model AI lebih mudah mengolah riwayat pasien ketika tanggal, jenis pemeriksaan, satuan, dan kode berada pada bidang yang konsisten. FHIR juga mengurangi pekerjaan membuat format masukan baru untuk setiap rumah sakit. Namun, standar pertukaran tidak memilih diagnosis atau memperbaiki nilai yang salah. Kinerja model tetap bergantung pada tugas, data pelatihan, kelengkapan catatan, dan pengujian setempat.

Riset pada 216.221 pasien dewasa di dua pusat medis Amerika Serikat memakai representasi berbasis FHIR untuk beberapa prediksi rekam medis. Model memperkirakan kematian selama perawatan, rawat ulang, lama perawatan, dan diagnosis saat pulang. Hasil itu menunjukkan FHIR bisa menjadi susunan masukan bagi pembelajaran mesin. Penelitian tersebut tidak menguji SATUSEHAT atau membuktikan satu model cocok untuk rumah sakit Indonesia.

Sebuah pracetak melaporkan akurasi 87 persen untuk SNOMED CT, 90 persen untuk LOINC, dan 84 persen untuk RxNorm. Model itu membentuk mCODE, model data inti onkologi berbasis FHIR, untuk pencocokan uji klinis. Angkanya bukan ukuran akurasi diagnosis dan bukan hasil penerapan nasional. Perbandingan dengan model yang menebak kode dari teks pada tugas lain akan menyesatkan.

Data terstruktur juga bisa menyulitkan model

Pracetak MedCase-Structured pada Mei 2026 menemukan akurasi diagnosis lebih rendah pada masukan FHIR dibandingkan teks biasa. Peneliti membentuk paket resource FHIR sintetis dari kasus yang ditulis klinisi. Hanya 82,5 persen kasus menghasilkan FHIR valid dalam jalur pembentukan data mereka. Temuan ini menyoroti kebutuhan pengujian dengan format yang benar-benar dipakai saat penerapan.

Dua hasil riset tersebut tidak saling membatalkan. Studi mCODE menilai pemetaan terminologi untuk data onkologi, sedangkan MedCase-Structured menguji penalaran diagnosis. Kumpulan data, model, dan sasaran pengukurannya berbeda. FHIR menyediakan tata letak bersama, tetapi tiap aplikasi AI memerlukan tolok ukur yang sesuai dengan tugasnya.

Akses AI harus mengikuti tujuan pemrosesan

Resource yang mudah dipanggil melalui API juga memperluas permukaan akses. Agen AI bisa menjalankan banyak permintaan lebih cepat daripada pengguna manusia. Token yang sah tidak menjelaskan apakah setiap permintaan relevan dengan pelayanan pasien. Pengelola perlu membatasi resource, operasi baca atau tulis, tujuan, dan masa berlaku akses.

Ketentuan SATUSEHAT mewajibkan hak akses mengikuti fungsi serta kewenangan dan mengaktifkan rekam jejak audit pada platform serta sistem fasilitas kesehatan. Audit mencatat waktu, pihak, objek data, dan perubahan dalam pemrosesan. Aturan itu memberi dasar penelusuran ketika aplikasi mengakses rekam medis. Dokumen publik tersebut tidak memuat hasil uji serangan atau evaluasi klinis khusus agen AI.

Bukti Indonesia masih berhenti pada infrastrukturnya

Dokumentasi Kemenkes menunjukkan standar data, terminologi, validasi, autentikasi, dan audit telah ditetapkan untuk SATUSEHAT. Lapisan itu memberi aplikasi AI jalur data yang lebih konsisten daripada integrasi khusus untuk setiap sistem. Kesiapan infrastruktur tetap berbeda dari bukti manfaat klinis. Pengujian harus memakai data, alur kerja, dan populasi pasien yang mewakili lokasi penerapan.

Sampai artikel ini disusun, kami belum menemukan dokumen resmi yang mengukur akurasi AI medis berbasis FHIR secara nasional di Indonesia. Belum ada pula angka publik untuk membandingkan mutu keluaran AI sebelum dan sesudah integrasi SATUSEHAT. Karena itu, FHIR layak dinilai sebagai fondasi pertukaran data, bukan sertifikat mutu model. Bukti berikutnya harus datang dari validasi lokal, audit akses, dan pemantauan kesalahan setelah penerapan.

Enam uji sebelum AI pengobatan Tiongkok masuk layanan klinis

Redaksi APPI News — Wed, 29 Jul 2026 11:26:06 GMT

AI dalam pengobatan tradisional Tiongkok mencakup lebih dari bot percakapan yang menjawab pertanyaan tentang ramuan. Sistemnya bisa menelusuri literatur, mengenali citra lidah, mengolah sinyal nadi, atau menyusun dukungan keputusan klinis. Setiap fungsi membawa tingkat risiko dan kebutuhan bukti yang berbeda. Karena itu, angka akurasi dalam satu demonstrasi tidak cukup untuk menilai kepercayaannya.

Laporan teknis Organisasi Kesehatan Dunia (WHO) dan Uni Telekomunikasi Internasional (ITU) pada 2025 memetakan penggunaan AI dalam pengobatan tradisional. Laporan itu menempatkan mutu data, interoperabilitas, regulasi, dan tata kelola pengetahuan sebagai pekerjaan utama. Kerangka tersebut relevan bagi pengobatan tradisional Tiongkok di Indonesia. Enam pemeriksaan berikut mengubah prinsip umum itu menjadi pertanyaan yang bisa diaudit sebelum sistem dipakai dalam layanan.

Tujuan penggunaan menentukan pintu pemeriksaan

Pemeriksaan pertama dimulai dari fungsi yang dinyatakan pengembang. Mesin pencari literatur tidak setara dengan perangkat lunak yang memberi rekomendasi diagnosis atau terapi. Nama “AI kesehatan” juga tidak menjelaskan siapa pengguna, pasien sasaran, atau keputusan yang dipengaruhi. Dokumen produk perlu membatasi tujuan penggunaan, masukan, keluaran, kontraindikasi, dan kondisi ketika hasilnya tidak boleh dipakai.

Pedoman evaluasi alat kesehatan Kementerian Kesehatan (Kemenkes) meminta informasi tujuan penggunaan, indikasi, validasi perangkat lunak, bukti klinis, dan analisis risiko sesuai kelas produk. Pedoman itu mendefinisikan software sebagai alat kesehatan ketika perangkat lunaknya memenuhi definisi alat kesehatan. Artinya, penilaian mengikuti fungsi dan klaim, bukan keberadaan AI semata. Status izin edar bisa diperiksa melalui portal resmi e-Info Alkes yang memuat nama produk, pendaftar, produsen, dan status izin.

Sumber pengetahuan perlu bisa ditelusuri

Model bisa belajar dari kitab klasik, artikel ilmiah, catatan klinis, katalog produk, atau teks internet. Kelima sumber itu berbeda dalam otoritas, konteks, hak penggunaan, dan tingkat kesalahan. Daftar judul kitab saja belum menjelaskan edisi, penerjemah, anotasi, atau cara konflik antarsumber diselesaikan. Rekam sumber perlu menghubungkan keluaran penting dengan dokumen serta versi yang benar-benar dipakai.

WHO, ITU, dan Organisasi Kekayaan Intelektual Dunia (WIPO) menekankan data bermutu, inklusif, serta desain partisipatif bagi AI pengobatan tradisional. Ketiganya juga mengangkat kedaulatan data dan pembagian manfaat atas pengetahuan komunitas. Transparansi tidak mengharuskan perusahaan membuka seluruh kode sumber. Namun, auditor tetap memerlukan asal data, dasar pelabelan, keterbatasan cakupan, dan riwayat pembaruan.

Validasi harus cocok dengan tugas dan tempat penggunaan

Pemeriksaan ketiga menilai apakah bukti sesuai dengan keluaran yang dijanjikan. Ketepatan mengenali citra lidah tidak membuktikan kemampuan memilih terapi. Nilai ujian pengetahuan juga tidak sama dengan keselamatan keputusan pada pasien. Data uji perlu dipisahkan dari data pelatihan dan mewakili perangkat, alur kerja, serta pengguna di lokasi penerapan.

WHO meminta penggunaan AI kesehatan memiliki tujuan yang terdefinisi, memenuhi syarat keselamatan, akurasi, dan efektivitas, serta dinilai terus selama pemakaian. WHO juga mengingatkan bahwa model dari negara berpendapatan tinggi belum tentu bekerja baik pada lingkungan lain. Karena itu, laporan pengujian perlu menyebut populasi, ukuran sampel, pembanding, tingkat kegagalan, dan kelompok dengan kinerja terendah. Rata-rata akurasi tanpa rincian tersebut menyembunyikan risiko yang paling relevan.

Data ramuan tidak membuktikan mutu produk fisik

AI mungkin mengenali nama bahan, formula, atau kemungkinan interaksi dari basis data. Keluaran itu tidak memastikan identitas, kontaminasi, proses pengolahan, atau konsistensi satu bets produk di pasar. Hubungan antara rekomendasi digital dan barang fisik memerlukan nomor registrasi, produsen, komposisi, serta catatan pengujian yang cocok. Tanpa penghubung ini, model hanya menjelaskan entri data, bukan mutu produk yang berada di tangan pengguna.

Badan Pengawas Obat dan Makanan (BPOM) menyediakan pencarian untuk jamu, obat herbal terstandar, fitofarmaka, dan obat bahan alam lainnya. Entri registrasi menjadi titik awal untuk mencocokkan nama, pendaftar, dan kategori produk. Pemeriksaan AI juga perlu mencatat sumber informasi produk serta tanggal pengambilannya. Perubahan izin, formula, atau penarikan produk tidak boleh tertinggal di versi model lama.

Interoperabilitas membutuhkan makna yang sama

Sistem yang bekerja sendiri akan kehilangan konteks ketika hasil laboratorium, alergi, dan obat berada di aplikasi lain. Pertukaran data memerlukan struktur serta istilah yang dipahami kedua pihak. SATUSEHAT menghubungkan fasilitas kesehatan, regulator, penjamin, dan penyedia layanan digital dengan Fast Healthcare Interoperability Resources (FHIR) serta API berbasis HTTPS REST. FHIR mengatur bentuk pertukaran, tetapi tidak otomatis menyediakan istilah klinis untuk setiap tradisi pengobatan.

Dokumentasi publik SATUSEHAT yang kami telusuri belum menjelaskan pemetaan nasional khusus untuk pola diagnosis dan formula pengobatan tradisional Tiongkok. Temuan ini menunjukkan kesenjangan dokumen publik, bukan bukti bahwa integrasi lokal tidak pernah dilakukan. Pengembang perlu menunjukkan bidang data, kamus istilah, hak akses, dan rekam audit yang dipakai dalam penerapan tertentu. Format FHIR yang valid tetap tidak membuktikan bahwa isi catatan lengkap atau keluaran AI aman secara klinis.

Tanggung jawab harus mengikuti seluruh siklus model

Kesalahan bisa berasal dari data, rancangan model, integrasi, pelatihan pengguna, atau keputusan manusia setelah keluaran muncul. Kontrak yang hanya menyebut AI sebagai “alat bantu” belum membagi kewajiban saat terjadi insiden. Pembagian tanggung jawab perlu mencakup pemilik produk, pengembang, fasilitas kesehatan, pengguna profesional, dan pengelola data. Jalur pengaduan serta penghentian sistem juga perlu ditetapkan sebelum peluncuran.

Kemenkes pada Juni 2026 menempatkan bias, diagnosis berlebih, pelindungan data pasien, regulasi, dan tanggung jawab sebagai agenda tata kelola AI kesehatan. Forum tersebut diharapkan menghasilkan rekomendasi kebijakan dan pedoman nasional. Pernyataan itu belum menjadi klasifikasi khusus untuk AI pengobatan tradisional Tiongkok. Sampai artikel ini disusun, kami juga belum menemukan hasil validasi nasional bagi kategori tersebut.

Enam pertanyaan untuk keputusan pengadaan

Pemeriksaan	Bukti yang dicari	Tanda kesenjangan
Tujuan dan regulasi	Tujuan penggunaan, batas fungsi, kelas produk, dan izin edar	Label “AI kesehatan” menggantikan uraian fungsi
Sumber pengetahuan	Asal, versi, hak penggunaan, serta metode anotasi data	Daftar sumber tidak terhubung dengan keluaran
Validasi	Data uji terpisah, pembanding, kelompok pengguna, dan tingkat kegagalan	Hanya ada angka akurasi demonstrasi
Produk herbal	Nomor registrasi, produsen, komposisi, bets, dan tanggal pembaruan	Basis data tidak terhubung dengan produk fisik
Interoperabilitas	Profil FHIR, kamus istilah, hak akses, dan rekam audit	Data berpindah tanpa makna klinis yang konsisten
Tanggung jawab	Pemilik risiko, jalur pengaduan, pemantauan, dan prosedur penghentian	Semua pihak berlindung di balik istilah “alat bantu”

Strategi pengobatan tradisional WHO 2025–2034 menempatkan bukti, keselamatan, regulasi, dan integrasi sistem sebagai empat sasaran utama. Enam pemeriksaan di atas mengikuti urutan yang sama, lalu menambahkan kebutuhan operasional AI. Sistem yang lolos satu bagian belum otomatis layak untuk fungsi lain. Kepercayaan tumbuh dari bukti yang cocok dengan klaim, lokasi, versi, dan pihak yang memikul akibatnya.

ASIC AI dan GPU berbagi tugas, bukan saling menggantikan

Redaksi APPI News — Wed, 29 Jul 2026 03:10:00 GMT

Unit pemrosesan grafis (graphics processing unit/GPU) dan sirkuit terpadu khusus aplikasi (application-specific integrated circuit/ASIC) menukar keluwesan dengan spesialisasi pada tingkat berbeda. GPU menjalankan banyak jenis program paralel, sedangkan ASIC mengalokasikan lebih banyak fungsi perangkat keras untuk kelompok operasi yang telah ditentukan. Pada sistem AI, pilihan keduanya bergantung pada bentuk komputasi, kematangan model, dukungan perangkat lunak, skala penggunaan, dan biaya operasi. Karena itu, ASIC bukan pengganti langsung bagi seluruh GPU.

Perbedaan terletak pada ruang kerja cip

GPU berkembang sebagai prosesor paralel dengan banyak utas yang tetap bisa diprogram. Dokumentasi Parallel Thread Execution NVIDIA menjelaskan GPU sebagai perangkat komputasi paralel data terprogram. Model tersebut memungkinkan satu arsitektur menjalankan grafis, simulasi, pengolahan media, serta pelatihan dan inferensi AI. Keluwesan itu didukung perangkat instruksi, kompiler, pustaka, dan alat pengembangan.

ASIC dibuat untuk ruang aplikasi yang lebih sempit, tetapi istilah ini tidak selalu berarti satu algoritma yang sama sekali tidak berubah. Google, misalnya, merancang Tensor Processing Unit (TPU) sebagai ASIC untuk operasi matriks dalam pembelajaran mesin. Perangkat keras khusus masih bergantung pada kompiler dan kerangka kerja agar model berjalan. Batas spesialisasinya berbeda menurut rancangan cip dan generasinya.

Pelatihan dan inferensi bukan garis pemisah mutlak

Inferensi produksi sering memiliki pola berulang, sasaran latensi, dan volume permintaan yang lebih mudah diukur. Ciri itu membuka peluang untuk mengoptimalkan cip, memori, dan kompiler pada operasi yang dominan. Namun, ASIC AI juga dipakai untuk pelatihan. Google Cloud mendokumentasikan TPU untuk pelatihan model sekaligus prediksi daring melalui Vertex AI.

Portofolio Amazon Web Services (AWS) memperlihatkan pembagian yang terus berubah. AWS menyebut Trainium sebagai cip khusus untuk pelatihan dan inferensi AI berskala besar. Sementara itu, Inferentia dirancang AWS untuk aplikasi inferensi pembelajaran mendalam dan AI generatif. Nama produk tidak membentuk aturan umum bahwa seluruh pelatihan memakai GPU dan seluruh inferensi memakai ASIC.

Kecocokan model menentukan pemanfaatan perangkat keras

Akselerator khusus bekerja paling baik ketika sebagian besar waktu komputasi jatuh pada operasi yang memang dioptimalkan oleh cip. TPU mengutamakan komputasi matriks padat dan ukuran kelompok data yang besar. Operasi khusus, percabangan yang sering, bentuk tensor dinamis, atau kebutuhan presisi tinggi bisa menurunkan pemanfaatannya. GPU memberi ruang lebih luas ketika peneliti masih mengubah arsitektur model atau menulis operasi baru.

Ukuran model dan memori juga mengubah hasil. Cip yang cepat menghitung tetap bisa menganggur bila pemindahan data, jaringan antarmesin, atau kapasitas memori menjadi hambatan. Pengujian karena itu perlu mengukur seluruh alur, bukan hanya jumlah operasi per detik pada lembar spesifikasi. Tolok ukur yang relevan mencakup waktu pelatihan, latensi persentil tinggi, keluaran per detik, konsumsi energi, dan tingkat pemanfaatan.

Perangkat lunak masuk dalam perhitungan biaya

Harga cip bukan satu-satunya komponen ekonomi. Organisasi juga menanggung biaya migrasi model, kompilasi, pengujian akurasi, pemantauan, pelatihan tenaga teknis, dan kapasitas cadangan. Google mensyaratkan kode TPU dikompilasi dengan XLA, sedangkan cip AWS memakai perangkat pengembangan Neuron. GPU NVIDIA memakai CUDA dan PTX sebagai bagian dari jalur pemrogramannya.

Ekosistem yang berbeda menciptakan biaya perpindahan dan risiko ketergantungan. Kode yang sudah stabil pada satu platform belum tentu mencapai kinerja sama setelah dipindahkan. Angka penghematan dari penyedia juga memakai model, versi perangkat lunak, ukuran kelompok data, dan pembanding tertentu. Pengelola perlu menjalankan uji pada beban produksi sendiri sebelum mengubah kapasitas dalam jumlah besar.

Mendesain ASIC sendiri bukan pilihan awal sebagian besar pengguna

Ada dua keputusan yang kerap tercampur: menyewa akselerator khusus dari penyedia awan dan merancang ASIC milik sendiri. Penyewaan memindahkan pengembangan cip kepada penyedia, sehingga pengguna membandingkan harga layanan dan biaya migrasi. Rancangan sendiri menambah pekerjaan arsitektur, verifikasi, pembuatan prototipe, produksi wafer, pengemasan, pengujian, serta pengembangan perangkat lunak. Investasi itu baru masuk akal bila organisasi memiliki skala dan kepastian beban yang memadai.

Tidak ada satu angka biaya pengembangan atau ambang volume yang berlaku untuk semua ASIC. Node proses, luas cetakan, kekayaan intelektual berlisensi, jenis memori, pengemasan, dan jumlah perbaikan desain mengubah perhitungannya. Kesalahan setelah rancangan masuk produksi juga jauh lebih mahal daripada memperbarui perangkat lunak pada GPU. Karena itu, angka titik impas harus berasal dari penawaran pemasok dan proyeksi penggunaan proyek terkait.

Posisi Indonesia masih membangun fondasi desain

Konteks Indonesia berbeda dari perusahaan komputasi awan yang merancang cip untuk pusat datanya sendiri. Kementerian Perindustrian (Kemenperin) pada Januari 2026 menempatkan pengembangan desain cip dan talenta sebagai fokus awal industri semikonduktor nasional. Peta jalannya mencakup material, desain, fabrikasi, serta perakitan, pengujian, dan pengemasan. Kemenperin juga menyebut Indonesia telah memiliki fasilitas perakitan dan pengujian serta perusahaan desain sirkuit terpadu.

Dokumen itu belum memberi tolok ukur biaya GPU melawan ASIC AI untuk beban domestik. Sampai artikel ini disusun, kami belum menemukan dokumen resmi dari lembaga di Indonesia yang memuat angka pembanding untuk kasus ini. Bagi pengguna infrastruktur di Indonesia, keputusan yang lebih dekat adalah memilih layanan GPU atau akselerator khusus yang tersedia, lalu menguji latensi, biaya, dan kompatibilitas. Keputusan merancang cip nasional berada pada lapisan kebijakan industri dan investasi yang berbeda.

Kapan GPU atau ASIC lebih sesuai

GPU lebih sesuai ketika model dan operasi masih sering berubah, tim membutuhkan alat yang matang, atau volume belum cukup untuk optimasi mendalam. Akselerator khusus layak diuji ketika beban telah stabil, volumenya besar, dan sebagian besar komputasi cocok dengan unit perangkat kerasnya. Sistem berskala besar juga bisa memakai keduanya pada tahap atau layanan yang berbeda. Pilihan akhir harus didasarkan pada hasil uji beban produksi, bukan label cip.

Perbandingan juga perlu memasukkan ketersediaan kapasitas dan risiko operasional. Perangkat yang unggul dalam satu uji mungkin gagal memenuhi kebutuhan memori, latensi, atau operasi khusus pada model lain. Perubahan versi model bisa menggeser hasil sebelum investasi selesai dipakai. Pembagian kerja antara GPU dan ASIC karena itu lebih masuk akal daripada ramalan bahwa salah satunya akan menghapus yang lain.

Penyelidikan 42 negara bagian menguji risiko OpenAI menjelang IPO

Redaksi APPI News — Thu, 23 Jul 2026 00:00:00 GMT

Koalisi 42 jaksa agung negara bagian Amerika Serikat membuka penyelidikan luas terhadap OpenAI pada Juni 2026. The Next Web melaporkan New York mengirim surat permintaan dokumen tentang iklan, retensi pengguna, data konsumen, data kesehatan, serta kebijakan internal. Permintaan itu juga mencakup perlakuan terhadap anak, warga lanjut usia, dan perilaku model pembelajaran mendalam. OpenAI menyatakan akan bekerja sama dengan kantor para jaksa agung.

Penyelidikan tersebut muncul beberapa hari setelah laporan bahwa OpenAI mengajukan dokumen penawaran saham perdana atau IPO secara rahasia. Kedekatan waktunya mempertemukan dua proses berbeda: penegakan pelindungan konsumen dan persiapan memasuki pasar modal. Surat permintaan dokumen belum membuktikan pelanggaran hukum. Namun, proses itu bisa menghasilkan informasi yang perlu dinilai OpenAI ketika menyusun uraian risiko bagi calon investor.

Enam kelompok dokumen menunjukkan lingkup persoalan

Permintaan para jaksa agung tidak berhenti pada kemungkinan iklan di ChatGPT. Tom's Hardware merinci enam kelompok dokumen yang mencakup pemasaran, keterlibatan pengguna, data kesehatan, pengguna rentan, perilaku model, dan prosedur keselamatan. Salah satu perilaku yang disorot ialah sycophancy, yaitu kecenderungan model menyetujui atau menguatkan pandangan pengguna. Dokumen yang diminta juga menyentuh prosedur eskalasi ketika percakapan memuat risiko melukai diri.

Susunan itu menunjukkan bahwa penyelidik melihat hubungan antara desain produk dan model pendapatan. Sistem percakapan mengumpulkan informasi yang lebih pribadi daripada kata kunci pencarian biasa. Fitur yang mengejar keterlibatan lebih lama dapat berhadapan dengan kewajiban melindungi anak atau pengguna dalam kondisi rentan. Iklan menambah pertanyaan tentang apakah informasi sensitif ikut memengaruhi penargetan atau personalisasi.

Data kesehatan di chatbot tidak otomatis tunduk pada HIPAA

Health Insurance Portability and Accountability Act (HIPAA) melindungi informasi kesehatan ketika ditangani entitas dan mitra usaha yang tercakup di Amerika Serikat. Cakupannya tidak otomatis meluas ke setiap aplikasi yang menerima informasi langsung dari konsumen. Departemen Kesehatan dan Layanan Kemanusiaan Amerika Serikat (HHS) menjelaskan bahwa data yang diterima aplikasi di luar entitas tercakup tidak lagi dilindungi aturan HIPAA. Status suatu layanan bergantung pada hubungan hukum dan cara layanan itu memperoleh data.

Kesenjangan cakupan HIPAA bukan berarti perusahaan bebas memakai data kesehatan tanpa batas. Federal Trade Commission (FTC) menyatakan banyak perusahaan pengumpul informasi kesehatan berada di luar HIPAA tetapi tetap tunduk pada aturan pelindungan konsumen dan pemberitahuan kebocoran. Aturan tersebut mencakup kategori aplikasi kesehatan tertentu yang mengelola informasi kesehatan teridentifikasi. Penerapannya pada chatbot umum tetap bergantung pada fungsi produk, sumber data, dan fakta setiap kasus.

IPO mengubah risiko hukum menjadi informasi bagi investor

The Next Web melaporkan OpenAI mengajukan dokumen IPO secara rahasia pada 8 Juni 2026. Pengajuan rahasia membuat rancangan S-1 belum tersedia untuk diperiksa publik. Karena itu, belum ada dasar terbuka untuk menyatakan bagaimana OpenAI menggambarkan penyelidikan tersebut. Jadwal penawaran, valuasi akhir, dan tanggapan regulator juga masih bisa berubah.

Panduan Komisi Sekuritas dan Bursa Amerika Serikat (SEC) menjelaskan bahwa prospektus IPO memuat faktor risiko material dan perkara hukum signifikan. Penyelidikan 42 negara bagian tidak otomatis harus mendapat uraian tertentu hanya karena jumlah anggotanya. OpenAI perlu menilai materialitas, tahap perkara, dan kemungkinan dampaknya pada usaha atau penawaran saham. Investor baru bisa membaca penilaian itu setelah dokumen pendaftaran tersedia bagi publik.

Indonesia memiliki payung data pribadi, bukan aturan khusus chatbot

Konteks Indonesia bertumpu pada Undang-Undang Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi atau UU PDP. UU PDP menggolongkan data dan informasi kesehatan serta data anak sebagai data pribadi yang bersifat spesifik. Pengelola layanan AI tetap harus menilai dasar pemrosesan, tujuan penggunaan, retensi, keamanan, dan pihak penerima data. Klasifikasi tersebut berlaku berdasarkan jenis datanya, bukan berdasarkan apakah layanan menyebut dirinya aplikasi kesehatan.

Sampai artikel ini disusun, kami belum menemukan dokumen resmi Indonesia yang secara khusus mengatur penggabungan percakapan kesehatan, personalisasi iklan, dan AI generatif. Ketiadaan temuan itu tidak berarti semua penggunaan tersebut bebas aturan. UU PDP tetap menyediakan kerangka umum, sementara kewajiban sektoral bisa muncul menurut bentuk layanan dan pelakunya. Informasi publik juga belum menunjukkan bagaimana layanan AI di Indonesia memisahkan data percakapan sensitif dari sistem iklan.

Batas penyelidikan dan dampaknya

Dokumen permintaan yang lengkap belum tersedia dalam sumber publik yang kami periksa. Daftar 42 negara bagian dan pembagian peran antarkantor jaksa agung juga belum diumumkan secara rinci. Laporan media menyediakan garis besar, sedangkan temuan penyelidik belum diterbitkan. Tuduhan mengenai bahaya pada pengguna tetap perlu diuji melalui bukti, tanggapan perusahaan, dan proses hukum.

Kasus ini memperlihatkan tiga lapisan tata kelola yang sebelumnya kerap dibahas terpisah. Lapisan itu ialah keamanan pengguna rentan, pemrosesan data sensitif, dan risiko hukum sebelum penawaran saham. Untuk layanan yang menghubungkan AI dengan kesehatan, persoalan serupa juga terlihat pada perbedaan jalur akses dan akuntabilitas dalam pembahasan ChatGPT Health dan SATUSEHAT. Hasil penyelidikan OpenAI akan menentukan apakah hubungan ketiga lapisan itu berujung pada tuntutan, kesepakatan, atau perubahan produk.

FDA dan Uni Eropa memilih jalur berbeda untuk alat medis AI

Redaksi APPI News — Mon, 20 Jul 2026 00:00:00 GMT

Perangkat berbasis kecerdasan artifisial (AI) bisa berfungsi sebagai pelacak kebugaran, pembaca citra, atau pendukung keputusan klinis. Perbedaan fungsi dan klaim menentukan apakah sebuah produk masuk pengawasan alat medis. Amerika Serikat dan Uni Eropa menarik batas itu dengan cara berbeda. Indonesia masih memakai jalur izin edar alat kesehatan sambil menyusun tata kelola AI kesehatan yang lebih khusus.

Daftar FDA menunjukkan otorisasi, bukan seluruh pasar

Food and Drug Administration (FDA) menyatakan produk dalam daftar AI miliknya telah memenuhi persyaratan prapasar yang berlaku. Penilaian itu mencakup keselamatan, efektivitas, kesesuaian studi, tujuan penggunaan, dan karakteristik teknologi. Namun, FDA juga menyebut daftar tersebut tidak lengkap. Produk yang belum teridentifikasi melalui istilah AI atau belum memiliki ringkasan keputusan publik bisa tidak tercantum.

Catatan itu membuat jumlah entri tidak sama dengan jumlah pasti alat medis AI yang beredar. Daftar tersebut juga mencampur jalur otorisasi dan bidang klinis yang berbeda. Karena itu, pertumbuhan daftar menunjukkan aktivitas regulasi, bukan ukuran tunggal tentang mutu atau kematangan pasar. Angka total perlu selalu dibaca bersama tanggal pembaruan dan metode identifikasi FDA.

FDA menarik garis pada tujuan penggunaan dan klaim

Pedoman FDA pada Januari 2026 menempatkan fungsi kebugaran umum berisiko rendah di luar fokus pengawasan alat medis. Batasnya bukan sekadar jenis sensor atau keberadaan AI. Fungsi itu harus mendorong gaya hidup sehat dan tidak berkaitan dengan diagnosis, pengobatan, mitigasi, atau pencegahan penyakit. Klaim medis bisa mengubah kedudukan produk yang memakai teknologi serupa.

FDA memberi contoh perangkat noninvasif yang menaksir parameter fisiologis untuk tujuan kebugaran. Nilainya perlu tervalidasi dan teknologinya tidak boleh menimbulkan risiko keselamatan tanpa pengendalian khusus. Jika pemasarannya mengarah pada konteks klinis, produk tidak lagi masuk kebijakan kebugaran berisiko rendah. Pelonggaran itu karena itu bergantung pada tujuan penggunaan yang dinyatakan produsen.

Perangkat lunak klinis tidak otomatis bebas pengawasan

Pedoman FDA untuk perangkat lunak pendukung keputusan klinis membedakan fungsi nonperangkat dari fungsi yang tetap berstatus alat medis. Pengecualian berlaku untuk fungsi tertentu yang membantu tenaga kesehatan. Kebijakan digital lain tetap berlaku bila perangkat lunak memenuhi definisi alat medis. Fungsi yang ditujukan kepada pasien atau pendamping juga tidak otomatis berada di luar pengawasan.

Garis tersebut menempatkan beban besar pada dokumentasi tujuan, pengguna, masukan, dan keluaran sistem. Perubahan kalimat promosi bisa memindahkan produk dari kebugaran ke penggunaan klinis. Pembaruan model juga bisa mengubah karakter risiko setelah produk dipasarkan. Pengawasan pascapasar dan penindakan atas klaim karena itu menjadi pasangan dari kelonggaran prapasar.

Uni Eropa menumpuk kewajiban produk dan AI

Uni Eropa memakai susunan yang berbeda. Alat medis tetap tunduk pada kerangka sektoral, termasuk penilaian kesesuaian berdasarkan kelas risikonya. AI Act menambahkan kewajiban horizontal ketika AI dalam produk teregulasi memenuhi kriteria sistem berisiko tinggi. Kewajiban itu mencakup manajemen risiko, tata kelola data, dokumentasi, pencatatan, transparansi, dan pengawasan manusia.

Komisi Eropa mencatat aturan untuk AI berisiko tinggi yang tertanam dalam produk teregulasi memiliki masa transisi hingga 2 Agustus 2028. Jadwal itu berubah melalui paket penyederhanaan AI Act pada 2026. Masa transisi tidak menghapus kewajiban alat medis yang sudah berlaku. Produsen tetap perlu menyelaraskan dokumen teknis dan pengawasan produk dengan lapisan AI yang baru.

Indonesia memiliki izin edar, tetapi jalur AI khusus belum terlihat

Sistem Registrasi Alat Kesehatan Kementerian Kesehatan menerbitkan izin edar untuk alat kesehatan dan perbekalan kesehatan rumah tangga. Portal itu menunjukkan jalur dasar sebelum produk dipasarkan. Namun, halaman publik yang kami periksa tidak menyediakan kategori terpisah untuk menghitung alat medis berbasis AI. Data tersebut belum cukup untuk membandingkan volume otorisasi Indonesia dengan daftar FDA.

Kementerian Kesehatan pada Juni 2026 membahas regulasi AI kesehatan, telaah etik, persetujuan, keamanan siber, dan pelindungan data medis. Forum itu diarahkan untuk menyusun rekomendasi kebijakan dan pedoman nasional. Pembahasannya menunjukkan keselamatan pasien dan akuntabilitas sudah masuk agenda pemerintah. Pernyataan tersebut belum sama dengan jalur izin edar khusus untuk perangkat AI.

Portal Badan Kebijakan Pembangunan Kesehatan mencatat kajian tata kelola AI kesehatan masih berproses dengan target 31 Desember 2026. Pertanyaan kebijakannya mencakup keselamatan pasien, pelindungan data pribadi, dan keandalan hasil AI. Status itu menunjukkan kerangka operasional nasional belum boleh dianggap final. Sampai artikel ini disusun, kami belum menemukan dokumen resmi tentang jalur AI medis yang setara dengan pembagian FDA atau AI Act.

Perbandingan harus dimulai dari risiko yang hendak dikendalikan

FDA memberi ruang bagi fungsi kebugaran berisiko rendah dan perangkat lunak klinis tertentu. Uni Eropa menambahkan lapisan kewajiban AI pada sistem berisiko tinggi dalam produk teregulasi. Indonesia memiliki proses izin edar alat kesehatan, tetapi kerangka AI kesehatannya masih disusun. Ketiga posisi itu tidak bisa dinilai hanya dari cepat atau lambatnya persetujuan.

Pelonggaran prapasar membutuhkan kemampuan memeriksa klaim dan kinerja setelah produk digunakan. Kewajiban berlapis membutuhkan standar, lembaga penilai, dan dokumentasi yang konsisten. Indonesia perlu menentukan bukti klinis, tanggung jawab pembaruan model, pelaporan insiden, dan pelindungan data sebelum memilih bentuk jalur khusus. Pilihan regulasi baru bermakna bila kapasitas pengawasan mengikuti risiko yang dipindahkan.

GPT-5 menyusun hipotesis imunologi, verifikasi tetap di laboratorium

Redaksi APPI News — Sat, 18 Jul 2026 00:00:00 GMT

Laboratorium Derya Unutmaz menyimpan data sel T yang mekanismenya belum terjelaskan sejak 2022. Pada akhir 2025, imunolog The Jackson Laboratory itu meminta GPT-5 Pro membaca grafik alir sitometri yang belum diterbitkan. Model menyusun hipotesis biologis dan menebak arah hasil eksperimen CAR-T lain yang juga belum terbit. Kasus ini menunjukkan kegunaan AI sebagai mesin hipotesis, bukan bukti bahwa model telah menghasilkan kebenaran ilmiah sendiri.

Data lama membuka pertanyaan tentang metabolisme sel T

Eksperimen Unutmaz bermula pada 2022 untuk menguji pengaruh glukosa terhadap perkembangan sel T. Tim membandingkan lingkungan rendah glukosa dengan paparan 2-deoksi-D-glukosa (2-DG), molekul yang mengganggu pemakaian glukosa. Paparan 2-DG menghasilkan lebih banyak sel proinflamasi mirip Th17 daripada kondisi rendah glukosa. Dampaknya bertahan setelah 2-DG dibersihkan, sehingga kekurangan energi saja tidak cukup menjelaskan hasil tersebut.

Unutmaz kemudian memberikan grafik data sel T manusia kepada GPT-5 Pro. Bahan itu bukan pertanyaan umum dari buku teks, melainkan hasil laboratorium yang perlu ditafsirkan bersama konteks eksperimen. Model harus membedakan pengaruh pembatasan energi dari perubahan lain pada fungsi sel. Nilai kasus ini terletak pada hubungan antara data khusus, pengetahuan literatur, dan pertanyaan yang dirumuskan pakar.

Hipotesis mengarah ke glikosilasi dan sinyal IL-2

GPT-5 Pro mengusulkan bahwa 2-DG mengganggu glikosilasi terkait-N, bukan sekadar mengurangi pasokan energi sel. Glikosilasi terkait-N (N-linked glycosylation) adalah proses penambahan rantai gula pada protein. Model mengaitkan gangguan itu dengan melemahnya jalur reseptor interleukin-2 (IL-2). Pelemahan sinyal IL-2 lalu diperkirakan mengurangi hambatan terhadap diferensiasi sel Th17.

Model juga memperkirakan bahwa pengaruh utama muncul pada sel T memori, bukan sel T naif. Naskah menyebut hubungan tersebut masuk akal secara biologis bagi tim setelah dijelaskan. Namun, masuk akal tidak sama dengan terbukti. Penulis masih mencantumkan eksperimen lanjutan pada glikosilasi dan jalur IL-2 yang perlu dikerjakan sebelum hasilnya diterbitkan.

Prediksi CAR-T menjadi pengujian yang lebih kuat

Tim kemudian memakai eksperimen tertahan (held-out experiment), yakni hasil pembanding yang tidak diberikan saat model menyusun prediksi. Unutmaz meminta GPT-5 Pro memperkirakan dampak paparan singkat 2-DG terhadap sel CD8+ yang direkayasa menjadi CAR-T anti-CD19. Model memperkirakan daya bunuh terhadap sel limfoma akan meningkat. Menurut naskah, prediksi itu hampir sama dengan data internal laboratorium yang belum diterbitkan.

Pengujian ini lebih informatif daripada hipotesis yang hanya terdengar meyakinkan. Arah prediksi ditetapkan sebelum dibandingkan dengan hasil yang disimpan peneliti. Namun, penilaian berasal dari laboratorium dan penulis kasus yang sama. Data mentah, protokol lengkap, serta replikasi independen belum tersedia dalam publikasi yang ditelaah sejawat.

Butir dari pracetak membatasi klaim kebaruan

Naskah memberi batas berbeda untuk usulan eksperimen penyelamatan dengan manosa. Laboratorium telah melakukan eksperimen itu dan hasilnya sesuai dengan saran GPT-5 Pro. Penulis mengakui cerita serupa tentang penyelamatan dengan manosa pernah dimuat dalam pracetak bioRxiv. Karena itu, model mungkin telah mengetahui petunjuk tersebut dan menghubungkannya dengan grafik baru.

Butir ini tidak sama dengan prediksi CAR-T yang dibandingkan dengan data internal lain. Pemisahan keduanya penting ketika menilai apakah model mengingat pola lama atau menyusun hubungan baru. Bahkan untuk CAR-T, hasil yang belum diterbitkan belum menjadi verifikasi independen. Klaim paling aman adalah model menghasilkan prediksi yang cocok dengan satu pembanding internal.

Keandalan berasal dari alur verifikasi

Tiga unsur menopang hasil kasus ini: data laboratorium yang terstruktur, pakar yang menilai kelayakan biologis, dan eksperimen pembanding. Model membantu memperluas pilihan mekanisme serta menyusun percobaan berikutnya. Pakar menentukan hipotesis yang layak dikejar dan kontrol yang dibutuhkan. Laboratorium kemudian menyediakan cara untuk menolak atau mendukung prediksi.

Susunan ini juga menjelaskan mengapa akses ke model saja tidak cukup. Data berisik atau konteks eksperimen yang tidak lengkap bisa mengarahkan model ke penjelasan yang keliru. Tanpa pakar, keluaran yang fasih sulit dibedakan dari mekanisme yang masuk akal. Tanpa eksperimen tertahan, kecocokan terhadap data awal bisa sekadar penjelasan setelah kejadian.

Pelajaran serupa berlaku dalam pengembangan obat berbasis AI, tempat kecepatan menemukan kandidat belum menggantikan bukti klinis. Mesin hipotesis memindahkan waktu peneliti dari pencarian awal menuju pengujian. Penghematan itu bernilai bila desain uji tetap mampu membantah keluaran model. Ukuran keberhasilan akhirnya adalah hipotesis yang lolos verifikasi, bukan jumlah jawaban yang dihasilkan.

Indonesia memiliki penerapan AI, tetapi tolok ukur ini belum terbuka

Prosiding Penerbit Badan Riset dan Inovasi Nasional (BRIN) memetakan 26 penerapan AI dan empat inisiatif di Indonesia. Di bidang kesehatan, katalognya mencakup himpunan data morfologi dan senyawa mikrob untuk mempercepat pengembangan obat antiinfeksi. Contoh itu menunjukkan bahwa mutu serta susunan data sudah menjadi bagian dari agenda riset nasional. Prosiding tersebut tidak melaporkan pengujian model bahasa sebagai pembangkit hipotesis dengan hasil eksperimen tertahan.

Sampai artikel ini disusun, kami belum menemukan dokumen resmi lembaga Indonesia yang memuat evaluasi sejenis. Belum tersedia angka tentang ketepatan hipotesis, tingkat kegagalan, atau replikasi lintas laboratorium. Kesenjangan informasi ini tidak membuktikan bahwa peneliti Indonesia belum memakai model bahasa untuk riset biomedis. Artinya, perbandingan langsung dengan kasus Unutmaz belum bisa dibuat dari dokumen publik yang kami periksa.

Satu studi kasus belum menjadi tolok ukur umum

Laporan kasus tersebut diajukan ke arXiv pada 20 November 2025 dengan Unutmaz dan sejumlah peneliti OpenAI sebagai penulis. Formatnya menghimpun kasus dari beberapa disiplin, bukan uji terkontrol atas tingkat keberhasilan GPT-5 dalam imunologi. Naskah juga mengingatkan bahwa keluaran model dipengaruhi rincian pertanyaan dan percakapan lanjutan. Reproduksinya karena itu perlu menguji model pada banyak set data, termasuk kasus ketika prediksi gagal.

Kontribusi yang terlihat adalah pemendekan jalur dari data menuju hipotesis yang bisa diuji. Kasus ini belum menetapkan bahwa GPT-5 memahami biologi secara umum atau menghasilkan penemuan tanpa bantuan manusia. Bukti berikutnya perlu mencakup publikasi data, metode, hasil eksperimen lanjutan, dan replikasi independen. Sampai tahap itu, posisi model tetap sebagai alat penyusun hipotesis dalam alur riset yang dikendalikan ilmuwan.

AI kimia menguji 10.080 reaksi, laboratorium tetap penentu

Redaksi APPI News — Thu, 16 Jul 2026 00:00:00 GMT

GPT-5.4 telah dipakai untuk menyusun dan menguji hipotesis kimia melalui laboratorium otomatis milik Molecule.one. Sistem itu tidak bekerja sendirian: kimiawan memilih proposal, mengoreksi rencana, menyiapkan bahan, dan mengulang eksperimen penting. OpenAI menyebut alur tersebut nyaris otonom (near-autonomous), bukan sepenuhnya otonom. Temuan ini lebih tepat dibaca sebagai peningkatan kapasitas eksperimen daripada penggantian peneliti.

Dari hipotesis model ke 10.080 reaksi fisik

Proyek ini menghubungkan GPT-5.4 dengan Maria, sistem agen kimia yang terintegrasi dengan laboratorium berkapasitas tinggi. Para ilmuwan menulis instruksi pengarah dan kriteria penilaian. Model lalu menghasilkan serta memberi peringkat pada ribuan proposal, sedangkan kimiawan memilih empat proposal untuk diuji. Maria menerjemahkan proposal terpilih menjadi instruksi laboratorium, menjalankan eksperimen, dan mengembalikan data terstruktur kepada model.

Proposal paling berhasil menargetkan kopling Chan–Lam pada sulfonamida primer. Reaksi berkatalis tembaga ini membentuk ikatan karbon–nitrogen, tetapi pasangan sulfonamida primer dan asam boronat sering menghasilkan rendemen rendah. Model mengusulkan oksidator ringan, termasuk TEMPO, sebagai bahan tambahan. Hipotesis itu kemudian diuji melalui dua rangkaian eksperimen berskala mikroliter.

Naskah pracetak (preprint) proyek mencatat 10.080 reaksi pada 12 sulfonamida primer dan delapan asam boronat. Matriks eksperimen mencakup 96 pasangan substrat pada setiap rangkaian. Kondisi yang diuji meliputi jenis oksidator, pelarut, basa, sumber tembaga, suhu, dan jumlah katalis. Skala ini memungkinkan tim menilai pola lintas substrat, bukan hanya satu contoh yang berhasil.

Rendemen membaik, tetapi belum tinggi

Rendemen rata-rata naik dari 16,6 persen menjadi 25,2 persen setelah optimasi. Bagian reaksi yang melampaui 30 persen bertambah dari 15,6 persen menjadi 37,5 persen. Hasil membaik pada 88 persen asam boronat dan 83 persen sulfonamida yang diuji. Angka tersebut menunjukkan pola perbaikan, bukan penyelesaian penuh atas reaksi dengan hasil rendah.

Rendemen 25,2 persen masih membatasi kegunaan praktis untuk banyak proses sintesis. Ambang 30 persen dalam studi berfungsi sebagai ukuran ketahanan penyaringan, bukan standar universal untuk manufaktur. Data juga berasal dari platform mikroliter yang memakai estimasi berbasis analisis LC-PDA-MS. Peralihan ke skala proses memerlukan pengujian ulang, pemurnian produk, dan penilaian biaya yang tidak dibahas dalam proyek ini.

Nilai utama berada pada kapasitas pencarian

Kontribusi sistem tidak berhenti pada usulan TEMPO. Laboratorium otomatis menguji sepuluh oksidator dan ribuan kombinasi kondisi dalam dua putaran. Data putaran pertama dipakai untuk menyusun eksperimen lanjutan yang lebih terarah. Alur tersebut mengubah literatur dan hipotesis menjadi pencarian fisik berskala besar dengan hasil yang terukur.

OpenAI membandingkan 10.080 reaksi dengan pekerjaan seorang kimiawan yang menjalankan tiga reaksi per hari selama lebih dari satu dekade. Perbandingan itu menjelaskan keunggulan kapasitas, bukan membuktikan model memiliki penalaran kimia yang melampaui manusia. Infrastruktur otomatis memperluas jumlah percobaan yang terjangkau dalam waktu proyek. Kimiawan tetap menentukan proposal mana yang layak memasuki laboratorium dan apakah hasilnya masuk akal.

Temuan ini melengkapi gambaran yang lebih luas tentang AI dalam pengembangan obat. Model bisa mempercepat pemilihan target, desain molekul, atau optimasi sintesis. Namun, bukti klinis tetap menjadi tahap terpisah setelah penemuan dan pembuatan kandidat. Kenaikan rendemen satu reaksi tidak menunjukkan keamanan atau manfaat suatu obat pada manusia.

Validasi manusia menjadi pengaman utama

Tim tidak hanya menerima keluaran dari platform otomatis. Kimiawan mengulang 14 pasangan substrat secara manual dan menemukan perbaikan pada 11 pasangan. Delapan pasangan menghasilkan kenaikan lebih dari dua kali lipat. Pengulangan skala meja mengurangi risiko bahwa perbaikan hanya muncul akibat karakter khusus platform mikroliter.

Validasi tersebut tetap memiliki batas. Empat belas pasangan hanya mewakili sebagian kecil matriks pengujian, sementara data mentah seluruh kampanye belum menjadi reproduksi independen. Empat ahli kimia dari luar proyek menelaah naskah pracetak sebelum publikasi. Penelaahan itu tidak menggantikan eksperimen ulang oleh laboratorium yang tidak terlibat.

Makalah juga menyebut TEMPO menekan deboronasi oksidatif, yaitu penguraian asam boronat sebelum ikatan yang diinginkan terbentuk. Penjelasan mekanistik tersebut masih berupa hipotesis berdasarkan pola produk samping. Para penulis meminta studi lanjutan untuk memastikan penyebabnya. Generalisasi ke reaksi, substrat, dan kondisi manufaktur lain belum dibuktikan.

Indonesia belum memiliki angka pembanding terbuka

Pembahasan resmi Indonesia tentang AI di laboratorium sudah muncul, tetapi konteksnya berbeda. Kementerian Kesehatan pada April 2026 membahas AI untuk memperkuat fungsi prediktif dan preventif laboratorium kesehatan. Dokumen itu berfokus pada layanan dan diagnosis, bukan eksperimen sintesis kimia untuk penemuan obat. Karena itu, pembahasannya tidak menyediakan ukuran kapasitas yang sebanding dengan Maria Lab.

Sampai artikel ini disusun, kami belum menemukan dokumen resmi Indonesia yang memetakan laboratorium kimia otomatis untuk alur penemuan seperti ini. Belum tersedia angka publik mengenai kapasitas reaksi, mutu data, biaya, atau akses industri terhadap fasilitas serupa. Kesenjangan informasi tersebut menghalangi perbandingan langsung dengan proyek OpenAI dan Molecule.one. Ketiadaan dokumen yang kami temukan juga tidak membuktikan bahwa fasilitas semacam itu tidak ada.

Investasi yang dibutuhkan melampaui model

Kasus ini menunjukkan empat komponen yang harus berfungsi bersama: model, sistem agen khusus, laboratorium otomatis, dan kimiawan. Model tanpa eksperimen hanya menghasilkan hipotesis yang belum teruji. Laboratorium tanpa data terstruktur sulit memberikan umpan balik yang konsisten. Otomasi tanpa pengawasan ahli juga berisiko memperbesar kesalahan dalam rancangan atau interpretasi.

Bagi perusahaan bioteknologi, ukuran kesiapan bukan sekadar akses ke model terbaru. Pertanyaan yang lebih relevan mencakup kemampuan menjalankan eksperimen berulang, menjaga mutu data, dan memeriksa hasil pada skala berbeda. Proyek ini memperpendek pencarian kondisi reaksi di bagian awal pengembangan. Ia belum menghapus tahapan optimasi proses, uji praklinis, uji klinis, maupun penilaian regulator.

Hasil Chan–Lam memberi contoh nyata tentang AI yang bekerja dalam lingkar eksperimen fisik. Namun, klaim terkuatnya tetap sempit: sistem menemukan kondisi yang lebih baik untuk kelas substrat tertentu dalam platform khusus. Replikasi independen akan menentukan ketahanan temuan kimianya. Penerapan yang lebih luas akan bergantung pada laboratorium, data, dan tata kelola manusia yang menopang model tersebut.

LifeSciBench menguji AI biologi, OpenAI tetap memegang ukuran

Redaksi APPI News — Wed, 15 Jul 2026 00:00:00 GMT

LifeSciBench menguji apakah model AI mampu menangani pekerjaan ilmu hayati yang lebih rumit daripada soal hafalan. Tolok ukur ini memuat 750 tugas bebas, dari menilai bukti hingga merancang eksperimen dan menghubungkan temuan praklinis dengan pertimbangan klinis. GPT-Rosalind mencatat tingkat kelulusan tertinggi, yakni 36,1 persen. Angka itu menunjukkan kemajuan sekaligus kegagalan pada sebagian besar tugas.

Hasil tersebut berasal dari tolok ukur yang dikembangkan OpenAI, sementara tiga dari lima model peserta juga berasal dari perusahaan itu. Makalahnya tidak menyembunyikan hubungan tersebut dan meminta pembaca mempertimbangkan konteks kelembagaan. Karena itu, LifeSciBench berguna sebagai sinyal teknis, tetapi belum layak menjadi satu-satunya dasar pemilihan sistem untuk laboratorium.

750 tugas meniru keputusan dalam penelitian

LifeSciBench mencakup 750 tugas pada tujuh alur kerja dan tujuh bidang biologi. Tugasnya berbentuk permintaan bebas yang mungkin diberikan ilmuwan kepada rekan berpengetahuan, bukan pilihan ganda. Bahan pendukung meliputi gambar, PDF, tabel, berkas sekuens, struktur kimia, dan referensi web. Sebanyak 53 persen tugas meminta model menafsirkan sedikitnya satu artefak.

Kontributor terdiri atas 173 ilmuwan dengan pendidikan doktor dan pengalaman di industri bioteknologi atau farmasi. Mereka menyusun tugas serta rubrik yang berjumlah 19.020 kriteria. Sebanyak 453 pakar lain menilai relevansi, landasan ilmiah, dan kegunaan tugas. Makalah menyebut para kontributor eksternal dibayar dan identitas mereka tidak dipublikasikan atas permintaan vendor.

Skor dan tingkat kelulusan mengukur hal berbeda

LifeSciBench melaporkan skor rubrik dan tingkat kelulusan. Skor memberi kredit parsial untuk kriteria yang terpenuhi. Sebuah tugas dinyatakan lulus bila respons memperoleh sedikitnya 70 persen poin pada rubrik tugas tersebut. Dengan definisi ini, tingkat kelulusan 36,1 persen tidak berarti GPT-Rosalind hanya menghasilkan 36,1 persen informasi yang benar.

Makalah mencatat GPT-Rosalind meraih skor rubrik rata-rata 0,576 dan tingkat kelulusan 36,1 persen. GPT-5.5 berada pada 25,7 persen, Gemini 3.1 Pro 23,6 persen, GPT-5.4 20,7 persen, dan Grok 4.3 13,0 persen. Tidak satu pun melampaui separuh tugas. Pada 171 tugas, semua sampel dari seluruh model gagal mencapai ambang kelulusan.

Artefak riset menjadi titik lemah

Perbedaan paling berguna muncul ketika tugas dibagi menurut bahan yang harus dibaca. Tingkat kelulusan GPT-Rosalind turun dari 45,1 persen pada tugas berbasis teks menjadi 28,1 persen pada tugas dengan artefak atau tautan. OpenAI mengaitkan penurunan itu dengan kesulitan mengambil informasi dari gambar rumit atau berkas sekuens besar. Model lalu harus membawa informasi tersebut ke keputusan ilmiah akhir.

Kelemahan lain terlihat pada keluaran yang harus tepat. GPT-Rosalind lulus 14,8 persen tugas numerik dan 24,0 persen tugas dengan keluaran sekuens atau struktur. Kesalahan format kecil bisa menurunkan hasil di bawah ambang, tetapi ketepatan semacam itu memang dibutuhkan untuk desain sekuens atau konstruksi biologis. Jawaban yang terdengar masuk akal belum tentu cukup untuk dipakai dalam eksperimen.

Siapa yang membuat ukuran tetap relevan

Kritik terhadap konflik kepentingan perlu dibedakan dari tuduhan manipulasi angka. Tugas dan rubrik ditulis serta ditinjau pakar eksternal, sementara keluaran dinilai berdasarkan kriteria khusus per tugas. Untuk sebagian keluaran, prosesnya memakai penilaian otomatis atau bantuan model. Pakar independen kemudian memeriksa sampel bertingkat untuk membandingkan skor manusia dengan skor otomatis.

Pengungkapan kelembagaan dalam makalah menyatakan LifeSciBench dikembangkan OpenAI dan model OpenAI termasuk peserta yang dinilai. Daftar peserta juga tidak mencantumkan Claude. Makalah tidak menyediakan hasil ilmuwan manusia untuk 750 tugas yang sama. Pembaca akhirnya tidak memiliki garis dasar untuk menilai jarak antara 36,1 persen dan kinerja peneliti.

Tolok ukur tidak sama dengan dampak penelitian

Pengujian berlangsung satu putaran. Model menerima pertanyaan beserta artefak sekali, lalu memberikan satu jawaban akhir tanpa klarifikasi atau perbaikan. Penelitian nyata biasanya bergerak melalui percakapan, data baru, pengujian hipotesis, dan revisi berulang. Desain satu putaran membantu perbandingan, tetapi mengurangi kemiripan dengan penggunaan sehari-hari.

OpenAI menyatakan LifeSciBench tidak menggantikan studi model dalam lingkungan penelitian langsung. Tolok ukur tidak mengukur waktu yang dihemat, kualitas temuan baru, biaya kesalahan, atau keberhasilan program pengembangan obat. Hasilnya menunjukkan kemampuan pada tugas terpisah dalam kondisi tertentu. Dampak terhadap penelitian membutuhkan studi penerapan yang lebih panjang dan melibatkan putaran umpan balik.

Penerapan di Indonesia memerlukan uji dengan data sendiri

Penerbit Badan Riset dan Inovasi Nasional (BRIN) pada 2023 memetakan 26 penerapan dan empat inisiatif AI di Indonesia. Peta itu mencakup layanan publik dan kesehatan, riset industri, pangan, serta kebencanaan. Dokumen tersebut menunjukkan keluasan penggunaan AI, tetapi tidak menilai model pada tugas penelitian ilmu hayati seperti LifeSciBench. Angkanya karena itu tidak menyediakan pembanding nasional.

Sampai artikel ini disusun, kami belum menemukan dokumen resmi lembaga Indonesia yang melaporkan pengujian LifeSciBench atau tolok ukur sebanding. Belum ada angka publik tentang kinerja model pada artefak laboratorium, bahasa kerja, dan prosedur penelitian milik organisasi Indonesia. Kesenjangan ini tidak membuktikan bahwa pengujian internal belum pernah dilakukan. Artinya, kemampuan lokal belum bisa disimpulkan dari dokumen terbuka yang kami periksa.

Pengadaan perlu menguji alur kerja, bukan nama model

Tim bioteknologi bisa memakai LifeSciBench untuk menemukan jenis risiko yang perlu diuji. Contohnya meliputi pembacaan gambar, ekstraksi dari berkas besar, keluaran sekuens yang presisi, dan keputusan dengan banyak batasan. Namun, angka agregat tidak menjawab model mana yang paling cocok untuk satu laboratorium. Makalah sendiri menemukan bahwa Gemini 3.1 Pro unggul pada 214 tugas meski skor keseluruhannya berada di bawah GPT-Rosalind.

Uji penerapan perlu memakai artefak, format, dan kriteria keberhasilan dari organisasi yang akan menjalankan sistem. Penilaian juga harus memisahkan jawaban parsial dari keluaran yang aman diteruskan ke eksperimen. Pemeriksaan manusia tetap dibutuhkan pada tahap ekstraksi data dan keputusan akhir. LifeSciBench memberi daftar titik rawan yang berguna, sedangkan keputusan pengadaan membutuhkan bukti dari lingkungan pemakai.

Akuisisi MEXT menggeser persaingan akselerator AI ke memori

Redaksi APPI News — Mon, 13 Jul 2026 00:00:00 GMT

AMD mengakuisisi MEXT ketika biaya dan ketersediaan memori menjadi kendala bagi pusat data AI. Perusahaan mengumumkan transaksi itu pada 15 Juni 2026 dan menyebut MEXT sebagai pengembang optimasi memori berbasis AI. Nilai transaksi tidak diumumkan. Langkah ini memperluas persaingan akselerator AI dari kinerja cip menuju pengelolaan komputasi, memori, penyimpanan, dan perangkat lunak sebagai satu sistem.

MEXT memperluas kapasitas efektif dengan flash

MEXT mengembangkan predictive memory tiering (penempatan data berdasarkan perkiraan pola akses). Perangkat lunak menaruh data yang sering dipakai di DRAM berkecepatan tinggi dan menggeser data kurang aktif ke memori flash yang lebih murah. Network World melaporkan teknologi itu ditujukan untuk memperluas kapasitas efektif tanpa menambah DRAM dalam jumlah sebanding. AMD berencana mengintegrasikannya ke portofolio pusat data, tetapi belum merinci produk pertama atau jadwal peluncurannya.

Mekanisme tersebut bergantung pada ketepatan perkiraan akses. Data yang sudah tersedia di DRAM bisa segera diproses, sedangkan kesalahan prediksi memaksa sistem mengambilnya dari flash. Perbedaan latensi kedua media membuat hasilnya berubah menurut pola beban kerja. Aplikasi dengan akses berulang dan mudah diperkirakan berpeluang memperoleh manfaat lebih besar daripada pekerjaan dengan akses acak.

Kapasitas dan bandwidth bukan hambatan yang sama

Kapasitas menunjukkan banyaknya data yang bisa ditampung, sedangkan bandwidth mengukur laju perpindahan data. MEXT terutama menyasar kapasitas dan biaya dengan menjadikan flash sebagai lapisan tambahan. “Memory wall” merujuk pada keadaan ketika unit komputasi menunggu data karena bandwidth tidak mengejar kebutuhan pemrosesan. Menambah ruang penyimpanan efektif tidak otomatis mempercepat jalur data menuju akselerator.

TrendForce menjelaskan bahwa bandwidth yang tidak memadai membuat unit komputasi menganggur selama pelatihan model AI. Karena itu, akselerator memakai memori berbandwidth tinggi (high-bandwidth memory/HBM), yaitu DRAM bertumpuk dengan jalur data lebar. Lembaga riset tersebut memperkirakan permintaan HBM tumbuh lebih dari 70 persen pada 2026. MEXT melengkapi lapisan memori cepat itu, bukan menggantikannya.

Batas perangkat lunak muncul pada beban peka latensi

DRAM tetap dibutuhkan ketika waktu respons harus konsisten. Analis TechInsights Manish Rawat menilai optimasi berbasis perangkat lunak bisa menunda peningkatan perangkat keras, tetapi tidak menggantikan DRAM untuk aplikasi yang peka terhadap latensi. Penilaian itu menempatkan MEXT sebagai alat efisiensi dan pengendalian total biaya kepemilikan. Bukti publik belum menunjukkan besar penghematan pada konfigurasi atau model AI tertentu.

AMD juga belum menerbitkan tolok ukur independen, tingkat kesalahan prediksi, atau tambahan beban komputasi dari perangkat lunak tersebut. Hasil integrasi akan bergantung pada kompatibilitas dengan sistem penyimpanan, ukuran kumpulan data, dan pola akses. Evaluasi biaya mencakup memori flash, DRAM, energi, serta perangkat lunak dalam konfigurasi yang sama. Klaim efisiensi dari pemasok belum cukup untuk menentukan hasil setiap penerapan.

Persaingan beralih ke tumpukan sistem

Produsen akselerator tidak lagi bersaing hanya melalui jumlah operasi komputasi. Nilai sistem juga ditentukan oleh HBM, jaringan, penyimpanan, pustaka perangkat lunak, dan pengaturan beban kerja. Akuisisi MEXT memberi AMD lapisan optimasi di antara memori dan penyimpanan. Strategi ini sejalan dengan pembagian tugas antara akselerator khusus dan GPU yang dibahas dalam analisis ASIC AI dan GPU.

Perubahan komposisi permintaan ikut menekan pasokan memori konvensional. TrendForce mencatat pemasok utama memprioritaskan DRAM server berkapasitas tinggi pada kuartal pertama 2026. Pasokan tambahan untuk pembuat PC dan ponsel pun tetap terbatas. Dampaknya terhadap perangkat di Indonesia dijelaskan lebih lanjut dalam laporan harga memori dan waktu pembelian PC.

Arti akuisisi bagi pusat data Indonesia

Operator di Indonesia menghadapi pilihan teknis yang sama: membeli lebih banyak DRAM atau meningkatkan pemanfaatan perangkat yang tersedia. MEXT menawarkan pendekatan kedua, tetapi AMD belum mengumumkan pelanggan, mitra, atau penerapan di Indonesia. Sampai artikel ini disusun, kami belum menemukan dokumen resmi dari lembaga di Indonesia yang memuat hasil uji pembanding. Karena itu, dampak biaya dan kinerja di pasar domestik belum bisa diukur.

Arti utama transaksi ini terletak pada arah persaingan, bukan pada nilai pembelian yang dirahasiakan. AMD memperkuat tumpukan perangkat lunaknya untuk mengurangi kebutuhan penambahan DRAM pada sebagian beban kerja. HBM dan DRAM cepat tetap menentukan kinerja ketika bandwidth serta latensi menjadi batas. Keberhasilan MEXT baru terbukti setelah integrasi produk dan hasil pengujian terbuka tersedia.

Pertanyaan umum

Apakah MEXT membuat pusat data tidak lagi membutuhkan DRAM?
Tidak. MEXT memakai flash sebagai lapisan tambahan dan mempertahankan data aktif di DRAM. Beban yang peka terhadap latensi tetap memerlukan memori cepat.

Apakah kapasitas memori sama dengan bandwidth?
Kapasitas adalah jumlah data yang tertampung, sedangkan bandwidth adalah laju perpindahan data. MEXT memperluas kapasitas efektif dan menekan biaya. HBM tetap menangani kebutuhan bandwidth tinggi di dekat akselerator.

Mengapa AMD membeli perusahaan perangkat lunak memori?
Kinerja akselerator bergantung pada aliran data, bukan komputasi saja. Perangkat lunak MEXT membantu AMD mengelola DRAM dan flash sebagai satu lapisan sumber daya. Nilai praktisnya masih menunggu hasil integrasi dan pengujian independen.