Ringkasan Berita:
- Dosen Universitas Negeri Malang mengembangkan model AI untuk mengklasifikasikan perilaku pasien klinik gigi.
- Teknologi berbasis XGBoost-TDLAVOA mencatat akurasi hingga 97,95 persen.
- AI mampu mendeteksi potensi pasien berhenti berobat dan membantu strategi loyalitas.
- Riset didukung LPDP dan ditargetkan terintegrasi ke sistem manajemen klinik secara real time.
Malang (beritajatim.com) – Universitas Negeri Malang (UM) kembali melahirkan inovasi di bidang kecerdasan buatan (Artificial Intelligence/AI). Melalui riset berbasis data, tim dosen UM berhasil mengembangkan model AI yang mampu mengklasifikasikan perilaku pasien klinik gigi dengan tingkat akurasi mencapai 97,95 persen.
Inovasi tersebut membuka peluang baru bagi industri layanan kesehatan. Pengelola klinik gigi dapat memahami karakteristik pasien secara lebih presisi, meningkatkan kualitas pelayanan, memperkuat loyalitas pasien, hingga menyusun strategi pemasaran berbasis data yang lebih efektif.
Riset ini direalisasikan melalui dukungan pendanaan Program EQUITY LPDP Kementerian Pendidikan Tinggi, Sains, dan Teknologi. Ketua Peneliti, Rudi Nurdiansyah, mengatakan persaingan antarklinik gigi kini tidak lagi hanya bergantung pada kualitas layanan medis, tetapi juga kemampuan memahami perilaku pasien.
“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,” kata Rudi, Rabu (1/7/2026).
Secara teknis, model AI tersebut menggunakan metode Extreme Gradient Boosting (XGBoost) yang dioptimalkan melalui algoritma Three-Dimensional Learning African Vulture Optimization Algorithm (TDLAVOA). Kombinasi keduanya memungkinkan proses pengaturan hyperparameter dilakukan secara otomatis sehingga menghasilkan model machine learning yang lebih stabil dan akurat dibandingkan penyetelan manual.
Sebagai objek penelitian, tim menganalisis 1.463 pasien unik dengan total 1.496 catatan transaksi di salah satu klinik gigi di Kota Malang. Data yang digunakan berasal dari rekam jejak pelayanan selama periode November 2021 hingga November 2025.
Seluruh data diolah menggunakan indikator LRFM (Length, Recency, Frequency, Monetary) yang mengukur lama hubungan pasien dengan klinik, waktu kunjungan terakhir, frekuensi kunjungan, serta nilai ekonomi yang diberikan setiap pasien.
Hasil penelitian menunjukkan performa model yang sangat tinggi.
“Model XGB_TDLAVOA sukses memetakan pasien ke dalam tiga klaster: pelanggan bernilai rendah, sedang, dan tinggi. Angka akurasinya menyentuh 97,95 persen dengan F1-score sebesar 97,96 persen, melampaui performa XGBoost standar maupun metode optimasi konvensional seperti Grid Search dan Particle Swarm Optimization (PSO),” ungkap Rudi.
Tim peneliti juga menemukan korelasi yang sangat kuat antara frekuensi kunjungan pasien dengan nilai transaksi, dengan koefisien mencapai 0,90. Temuan tersebut menunjukkan bahwa pasien yang rutin melakukan kontrol merupakan aset penting bagi keberlanjutan sebuah klinik.
Keunggulan lain dari sistem ini adalah kemampuannya mendeteksi pasien yang berpotensi berhenti menggunakan layanan (churn prediction). Dengan deteksi dini tersebut, pengelola klinik dapat segera melakukan langkah preventif.
“Manajemen bisa langsung mengirimkan pengingat jadwal periksa berkala, memberikan sentuhan layanan yang lebih personal, atau merancang program loyalitas khusus untuk pasien bernilai tinggi. Langkah ini efektif mendongkrak kepuasan pasien sekaligus efisiensi pengelolaan,” imbuh Rudi.
Dari sisi akademik, penelitian ini menghadirkan kontribusi baru melalui integrasi algoritma XGBoost dengan TDLAVOA yang mengombinasikan tiga strategi optimasi, yakni Tent Chaotic Mapping, Reverse Elite Solutions, dan Lens Imaging Reverse Learning. Formula tersebut mampu menyeimbangkan proses eksplorasi dalam pencarian parameter sehingga meningkatkan performa model AI.
Tim peneliti UM berencana mengembangkan penelitian ini dengan menguji model pada data yang lebih besar dan kompleks, sekaligus mengintegrasikannya secara langsung ke dalam sistem manajemen klinik berbasis real time. Pengembangan tersebut diharapkan menghadirkan sistem early warning yang mampu membantu strategi retensi pasien secara lebih cepat dan berbasis bukti.
Riset ini juga telah menghasilkan luaran berupa artikel ilmiah yang didaftarkan ke jurnal internasional bereputasi. Selain itu, tim peneliti telah mengamankan hak cipta atas integrasi algoritma XGBoost–TDLAVOA.
“Selain memacu transformasi digital di sektor kesehatan nasional, inovasi kami ini juga mendukung pemenuhan Target Pembangunan Berkelanjutan (SDGs). Khususnya SDG 3 terkait kehidupan sehat dan sejahtera, serta SDG 9 yang berfokus pada industri, inovasi, dan infrastruktur,” tutup Rudi. [dan/beq]
