Sketsamalang.com – Universitas Negeri Malang (UM) mengembangkan model kecerdasan buatan (Artificial Intelligence/AI) yang mampu mengklasifikasikan perilaku pasien klinik gigi dengan tingkat akurasi mencapai 97,95 persen. Riset yang didanai Program EQUITY LPDP Kementerian Pendidikan Tinggi, Sains, dan Teknologi ini diharapkan membantu klinik memahami karakteristik pasien, meningkatkan kualitas layanan, memperkuat loyalitas, hingga mendukung pengambilan keputusan berbasis data.
Ketua Peneliti, Rudi Nurdiansyah, mengatakan persaingan antarklinik gigi saat ini tidak hanya ditentukan oleh kualitas layanan medis, tetapi juga kemampuan memahami perilaku pasien sebagai dasar penyusunan strategi pelayanan dan bisnis.
“Selama ini banyak keputusan manajerial masih didasarkan pada intuisi. Melalui penelitian ini kami menawarkan pendekatan berbasis data sehingga klinik dapat mengenali karakteristik pasien secara lebih akurat dan mengambil keputusan yang lebih objektif,” ujarnya.
Dalam penelitian tersebut, tim memanfaatkan model Extreme Gradient Boosting (XGBoost) yang dioptimalkan menggunakan algoritma Three-Dimensional Learning African Vulture Optimization Algorithm (TDLAVOA). Algoritma ini dirancang untuk mengoptimalkan pengaturan hyperparameter secara otomatis sehingga menghasilkan model machine learning yang lebih stabil dan akurat dibandingkan pengaturan manual.
Sebagai studi kasus, tim menganalisis 1.463 pasien unik dengan 1.496 catatan transaksi dari salah satu klinik gigi di Kota Malang selama periode November 2021 hingga November 2025.
Data diolah menggunakan indikator LRFM (Length, Recency, Frequency, Monetary) untuk mengukur lamanya hubungan pasien dengan klinik, waktu kunjungan terakhir, frekuensi kunjungan, serta nilai ekonomi yang dihasilkan setiap pasien.
Hasil penelitian menunjukkan model XGB-TDLAVOA mampu mengelompokkan pasien ke dalam tiga kategori, yaitu pelanggan bernilai rendah, sedang, dan tinggi, dengan tingkat akurasi 97,95 persen serta F1-score 97,96 persen.
Menurut tim peneliti, capaian tersebut melampaui performa model XGBoost standar maupun metode optimasi lainnya, seperti Grid Search dan Particle Swarm Optimization (PSO).
Penelitian juga menemukan korelasi yang sangat kuat antara frekuensi kunjungan pasien dan nilai transaksi, dengan koefisien mencapai 0,90. Temuan ini menunjukkan bahwa pasien yang rutin menjalani pemeriksaan menjadi aset penting bagi keberlangsungan layanan klinik sekaligus indikator keberhasilan pelayanan kesehatan.
Tidak hanya mengelompokkan pasien berdasarkan nilai, model AI tersebut juga mampu mendeteksi pasien yang berpotensi churn atau berhenti menggunakan layanan klinik.
Informasi tersebut memungkinkan manajemen mengambil langkah preventif, seperti mengirim pengingat jadwal pemeriksaan berkala, memberikan layanan yang lebih personal, hingga menyusun program loyalitas bagi pasien bernilai tinggi.
Pendekatan ini dinilai berpotensi meningkatkan kepuasan pasien sekaligus memperkuat efisiensi pengelolaan layanan kesehatan.
Dari sisi akademik, penelitian ini menghadirkan inovasi melalui integrasi algoritma XGBoost dengan TDLAVOA, yang mengombinasikan tiga strategi optimasi, yakni Tent Chaotic Mapping, Reverse Elite Solutions, dan Lens Imaging Reverse Learning.
Integrasi tersebut mampu menyeimbangkan proses eksplorasi dan eksploitasi dalam pencarian parameter sehingga menghasilkan model prediksi yang lebih andal.
Ke depan, tim peneliti berencana mengembangkan model tersebut agar dapat diterapkan pada kumpulan data yang lebih kompleks dan diintegrasikan ke dalam sistem manajemen klinik secara real-time.
Dengan sistem tersebut, pengelola klinik dapat memperoleh peringatan dini terhadap pasien yang berpotensi tidak kembali berobat sehingga strategi retensi dapat dilakukan lebih cepat, efektif, dan berbasis bukti.
Riset ini juga telah menghasilkan artikel ilmiah yang telah diajukan ke jurnal internasional bereputasi serta memperoleh hak cipta atas integrasi algoritma XGBoost-TDLAVOA.
Capaian tersebut memperkuat komitmen Universitas Negeri Malang dalam menghasilkan inovasi berbasis riset yang memberikan solusi nyata bagi sektor kesehatan sekaligus mendukung transformasi digital di Indonesia.
Selain itu, penelitian ini turut mendukung pencapaian Sustainable Development Goals (SDGs), khususnya SDG 3 (Good Health and Well-being) melalui peningkatan kualitas layanan kesehatan berbasis teknologi, serta SDG 9 (Industry, Innovation and Infrastructure) melalui pengembangan inovasi kecerdasan buatan untuk transformasi layanan kesehatan yang berkelanjutan.
