Reportasemalang – Universitas Negeri Malang (UM) kembali menghadirkan inovasi di bidang kecerdasan buatan melalui riset yang berhasil mengembangkan model Artificial Intelligence (AI) untuk mengklasifikasikan perilaku pasien klinik gigi dengan tingkat akurasi mencapai 97,95 persen. Inovasi ini membuka peluang bagi klinik gigi untuk memahami karakteristik pasien secara lebih akurat, meningkatkan kualitas layanan, memperkuat loyalitas pasien, serta menyusun strategi pengelolaan dan pemasaran yang lebih efektif berbasis data.
Inovasi ini tidak hanya membantu klinik gigi meningkatkan kualitas pelayanan, tetapi juga mendukung pengambilan keputusan berbasis data, memperkuat loyalitas pasien, serta menyusun strategi pemasaran yang lebih tepat sasaran. Penelitian tersebut didanai melalui Program EQUITY LPDP Kementerian Pendidikan Tinggi, Sains, dan Teknologi.
Ketua Peneliti, Rudi Nurdiansyah, menjelaskan bahwa persaingan antarklinik gigi saat ini tidak lagi hanya ditentukan oleh kualitas layanan medis. Kemampuan memahami karakteristik dan perilaku pasien menjadi faktor penting dalam menjaga keberlanjutan layanan kesehatan.
“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.
Penelitian ini memanfaatkan model Extreme Gradient Boosting (XGBoost) yang dioptimalkan menggunakan algoritma Three-Dimensional Learning African Vulture Optimization Algorithm (TDLAVOA). Algoritma tersebut dirancang untuk mengoptimalkan pengaturan hyperparameter secara otomatis sehingga menghasilkan model machine learning yang lebih stabil dan akurat dibandingkan proses pengaturan secara manual.
Sebagai studi kasus, tim peneliti 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 tersebut diolah menggunakan indikator LRFM (Length, Recency, Frequency, Monetary) untuk menggambarkan lamanya hubungan pasien dengan klinik, waktu kunjungan terakhir, frekuensi kunjungan, serta nilai ekonomi yang dihasilkan setiap pasien.
Hasil penelitian menunjukkan bahwa model XGB_TDLAVOA mampu mengelompokkan pasien ke dalam tiga kategori, yakni pelanggan bernilai rendah, sedang, dan tinggi, dengan tingkat akurasi mencapai 97,95 persen serta F1-score sebesar 97,96 persen. Capaian tersebut melampaui performa model XGBoost standar maupun metode optimasi lain, seperti Grid Search dan Particle Swarm Optimization (PSO).
Tim peneliti juga menemukan korelasi yang sangat kuat antara frekuensi kunjungan pasien dan nilai transaksi dengan koefisien mencapai 0,90. Temuan ini menegaskan bahwa pasien yang rutin melakukan pemeriksaan merupakan aset penting bagi keberlangsungan bisnis klinik sekaligus indikator keberhasilan pelayanan kesehatan.
Lebih jauh, model kecerdasan buatan yang dikembangkan mampu mendeteksi pasien yang mulai menunjukkan potensi churn atau berhenti menggunakan layanan klinik. Informasi tersebut memungkinkan manajemen klinik mengambil langkah preventif, seperti mengirimkan pengingat jadwal pemeriksaan berkala, menawarkan layanan yang lebih personal, hingga menyusun program loyalitas bagi pasien dengan nilai tinggi. Pendekatan ini berpotensi meningkatkan kepuasan pasien sekaligus memperkuat efisiensi pengelolaan layanan kesehatan.
Selain memberikan manfaat praktis bagi industri kesehatan, penelitian ini juga menghadirkan kontribusi ilmiah melalui integrasi algoritma XGBoost dengan TDLAVOA yang mengombinasikan tiga strategi optimasi inovatif, yakni Tent Chaotic Mapping, Reverse Elite Solutions, dan Lens Imaging Reverse Learning. Pendekatan tersebut mampu menyeimbangkan proses eksplorasi dan eksploitasi dalam pencarian parameter sehingga menghasilkan model prediksi yang lebih andal.
Ke depan, tim peneliti berencana mengembangkan model ini untuk diterapkan pada kumpulan data yang lebih kompleks serta mengintegrasikannya ke dalam sistem manajemen klinik secara real-time. Dengan demikian, pengelola klinik dapat memperoleh peringatan dini terhadap pasien yang berpotensi tidak kembali berobat sehingga strategi retensi dapat dilakukan lebih cepat, efektif, dan berbasis bukti.
Penelitian ini telah menghasilkan luaran berupa artikel ilmiah yang telah disubmit ke jurnal internasional bereputasi serta memperoleh hak cipta atas integrasi algoritma XGBoost–TDLAVOA. Capaian tersebut mempertegas komitmen Universitas Negeri Malang dalam menghasilkan inovasi berbasis riset yang memberikan solusi nyata bagi sektor kesehatan sekaligus mendukung transformasi digital di Indonesia.
Riset ini juga berkontribusi terhadap pencapaian Tujuan Pembangunan Berkelanjutan (Sustainable Development Goals/SDGs), terutama 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 yang mendukung transformasi layanan kesehatan secara berkelanjutan.
