MALANG, BERITAKATA.id – Tim peneliti dari Universitas Negeri Malang (UM) berhasil merancang inovasi kecerdasan buatan atau Artificial Intelligence (AI) untuk menganalisis dan mengklasifikasikan perilaku pasien di klinik gigi. Riset yang mendapat pendanaan dari Program EQUITY LPDP Kementerian Pendidikan Tinggi, Sains, dan Teknologi ini menghasilkan model AI dengan tingkat akurasi mencapai 97,95 persen.
Inovasi teknologi ini diciptakan untuk membantu manajemen klinik gigi beralih dari pengambilan keputusan manajerial yang bersifat tebakan menjadi berbasis data empiris.
Ketua Peneliti, Rudi Nurdiansyah, menjelaskan bahwa daya saing sebuah klinik gigi saat ini tidak lagi hanya bergantung pada kualitas layanan medis semata. Kemampuan pengelola dalam memahami karakteristik dan perilaku pasien memegang peranan krusial untuk menjaga keberlanjutan bisnis 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,” tegas Rudi.
Secara teknis, riset ini mengandalkan model Extreme Gradient Boosting (XGBoost) yang dioptimalkan dengan algoritma Three-Dimensional Learning African Vulture Optimization Algorithm (TDLAVOA). Algoritma tersebut berfungsi untuk mengatur hyperparameter secara otomatis, sehingga model machine learning yang dihasilkan beroperasi lebih stabil dan presisi dibandingkan pengaturan manual.
“Sebagai bahan studi kasus, tim peneliti menggunakan data dari salah satu klinik gigi di Kota Malang rentang waktu November 2021 hingga November 2025. Data yang dianalisis mencakup 1.463 pasien unik dengan 1.496 catatan transaksi,” katanya.
Seluruh data tersebut diolah menggunakan indikator LRFM (Length, Recency, Frequency, Monetary) yang berfungsi untuk memetakan empat hal pokok: durasi hubungan pasien dengan klinik, waktu kunjungan terakhir, tingkat frekuensi kedatangan, serta nilai ekonomi yang disumbangkan oleh setiap pasien.
Hasil pengolahan data menunjukkan bahwa model XGB_TDLAVOA sukses membagi pasien ke dalam tiga kelompok utama, yaitu pelanggan bernilai rendah, sedang, dan tinggi. Selain mencatat akurasi 97,95 persen, model ini juga menghasilkan F1-score sebesar 97,96 persen. Performa AI ini terbukti melampaui kemampuan model XGBoost standar serta metode optimasi pendahulu seperti Grid Search dan Particle Swarm Optimization (PSO).
Lebih lanjut, tim riset menemukan adanya korelasi yang sangat kuat (koefisien 0,90) antara frekuensi kunjungan pasien dengan nilai transaksi. Fakta ini menegaskan bahwa pasien yang rutin melakukan pemeriksaan merupakan aset krusial bagi keberlangsungan bisnis sekaligus indikator utama kesuksesan sebuah layanan klinik.
Keunggulan lain dari model AI ini adalah kemampuannya dalam mendeteksi potensi churn atau kecenderungan pasien yang akan berhenti menggunakan layanan klinik. Informasi deteksi dini ini memungkinkan pihak manajemen untuk melakukan langkah pencegahan, seperti mengirimkan pengingat jadwal periksa, menawarkan layanan personal, hingga merumuskan program loyalitas untuk pasien bernilai tinggi.
Dari sisi kontribusi ilmiah, pengembangan algoritma XGBoost dan TDLAVOA ini memadukan tiga strategi optimasi inovatif, yakni Tent Chaotic Mapping, Reverse Elite Solutions, dan Lens Imaging Reverse Learning. Kombinasi ketiga strategi tersebut mampu menyeimbangkan proses eksplorasi dan eksploitasi pencarian parameter demi menghasilkan prediksi yang andal.
Ke depannya, tim peneliti UM berencana mengintegrasikan model AI ini secara real-time ke dalam sistem manajemen klinik menggunakan kumpulan data yang lebih kompleks.
“Tujuannya agar klinik bisa langsung mendapatkan peringatan dini terkait pasien yang berpotensi tidak kembali, sehingga strategi retensi (mempertahankan pasien) dapat dieksekusi lebih cepat dan berbasis bukti,” katanya.
Saat ini, hasil penelitian tersebut telah disusun menjadi artikel ilmiah dan diajukan (submit) ke jurnal internasional bereputasi. Tim UM juga telah resmi mengantongi hak cipta atas integrasi algoritma XGBoost-TDLAVOA tersebut.
Riset ini sekaligus menjadi bentuk nyata dukungan UM terhadap pencapaian Tujuan Pembangunan Berkelanjutan (SDGs) di Indonesia. Secara spesifik, inovasi ini mendukung SDG 3 (Good Health and Well-being) melalui peningkatan kualitas kesehatan berbasis teknologi, serta SDG 9 (Industry, Innovation and Infrastructure) melalui pengembangan AI untuk mentransformasi layanan kesehatan.
