MALANG, Garudasatunews.id – Universitas Negeri Malang (UM) mengembangkan teknologi kecerdasan buatan (Artificial Intelligence/AI) untuk memprediksi dan mengklasifikasikan perilaku pasien klinik gigi dengan tingkat akurasi mencapai 97,95 persen. Inovasi berbasis riset tersebut dinilai berpotensi membantu pengelola klinik meningkatkan kualitas layanan, memperkuat loyalitas pasien, hingga menyusun strategi bisnis berbasis analisis data.
Penelitian itu didukung pendanaan Program EQUITY LPDP Kementerian Pendidikan Tinggi, Sains, dan Teknologi. Ketua tim peneliti, Rudi Nurdiansyah, mengatakan pengelolaan klinik kesehatan saat ini membutuhkan pendekatan berbasis data agar keputusan manajerial tidak semata bergantung 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,” ujar Rudi, Rabu (1/7/2026).
Model AI yang dikembangkan memanfaatkan metode Extreme Gradient Boosting (XGBoost) yang dioptimalkan menggunakan algoritma Three-Dimensional Learning African Vulture Optimization Algorithm (TDLAVOA). Integrasi kedua metode tersebut memungkinkan proses pengaturan hyperparameter dilakukan secara otomatis sehingga menghasilkan model machine learning yang lebih stabil dan memiliki tingkat akurasi lebih tinggi dibandingkan penyetelan manual maupun metode optimasi konvensional.
Dalam penelitian tersebut, tim menganalisis 1.463 pasien unik dengan total 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 hubungan pasien dengan klinik berdasarkan lama menjadi pelanggan, waktu kunjungan terakhir, frekuensi kunjungan, dan nilai transaksi.
Hasil analisis menunjukkan model AI mampu mengelompokkan pasien ke dalam tiga kategori, yakni pelanggan bernilai rendah, sedang, dan tinggi, dengan akurasi 97,95 persen serta F1-score sebesar 97,96 persen.
Selain itu, penelitian menemukan korelasi kuat antara frekuensi kunjungan pasien dan nilai transaksi dengan koefisien mencapai 0,90. Temuan tersebut mengindikasikan bahwa pasien yang rutin melakukan kontrol memberikan kontribusi signifikan terhadap keberlanjutan layanan klinik.
Rudi menjelaskan, sistem juga dirancang untuk mendeteksi potensi pasien berhenti menggunakan layanan (churn prediction). Informasi tersebut dapat dimanfaatkan manajemen klinik untuk melakukan langkah antisipatif, seperti mengirim pengingat jadwal pemeriksaan, memberikan layanan yang lebih personal, maupun menyusun program loyalitas bagi pasien.
Dari sisi akademik, penelitian ini mengintegrasikan algoritma XGBoost dengan TDLAVOA yang mengombinasikan strategi Tent Chaotic Mapping, Reverse Elite Solutions, dan Lens Imaging Reverse Learning untuk meningkatkan performa model AI dalam proses optimasi parameter.
Ke depan, tim peneliti berencana menguji model pada data yang lebih besar serta mengintegrasikannya ke dalam sistem manajemen klinik berbasis real time guna mendukung sistem peringatan dini (early warning) dalam strategi retensi pasien. Penelitian tersebut juga telah menghasilkan artikel ilmiah yang didaftarkan ke jurnal internasional bereputasi dan hak cipta atas integrasi algoritma XGBoost–TDLAVOA.
*** (Red-Garudasatunews) ***
