Malangpariwara.com – Transformasi digital di sektor kesehatan terus berkembang seiring pemanfaatan kecerdasan buatan (Artificial Intelligence/AI). Tidak lagi sebatas membantu proses diagnosis penyakit, AI kini juga dimanfaatkan untuk memahami perilaku pasien sehingga pelayanan kesehatan dapat diberikan secara lebih tepat sasaran.
Inovasi tersebut berhasil dikembangkan tim peneliti Universitas Negeri Malang (UM) melalui sebuah model AI yang mampu mengklasifikasikan perilaku pasien klinik gigi dengan tingkat akurasi mencapai 97,95 persen.
Teknologi ini diharapkan menjadi solusi bagi pengelola klinik dalam mengambil keputusan berbasis data, mulai dari meningkatkan kualitas layanan, mempertahankan loyalitas pasien, hingga menyusun strategi pemasaran yang lebih efektif.
Penelitian yang didanai melalui Program EQUITY LPDP Kementerian Pendidikan Tinggi, Sains, dan Teknologi itu dipimpin oleh Ketua Peneliti, Rudi Nurdiansyah.
Menurut Rudi, tantangan yang dihadapi klinik gigi saat ini bukan hanya memberikan pelayanan medis terbaik, tetapi juga memahami karakteristik pasien agar hubungan jangka panjang dapat terus terjaga.
“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.
Ia menjelaskan, penelitian memanfaatkan algoritma Extreme Gradient Boosting (XGBoost) yang dioptimalkan menggunakan Three-Dimensional Learning African Vulture Optimization Algorithm (TDLAVOA).
Algoritma tersebut berfungsi mengatur hyper parameter secara otomatis sehingga menghasilkan model pembelajaran mesin yang lebih stabil dan memiliki tingkat akurasi lebih tinggi dibandingkan pengaturan manual.
Sebagai pembuktian, tim peneliti mengolah data dari 1.463 pasien unik dengan 1.496 catatan transaksi yang berasal dari salah satu klinik gigi di Kota Malang selama periode November 2021 hingga November 2025.
Data dianalisis menggunakan pendekatan LRFM (Length, Recency, Frequency, Monetary) yang mengukur lamanya hubungan pasien dengan klinik, waktu kunjungan terakhir, intensitas kunjungan, serta besarnya nilai transaksi.
Pendekatan ini memberikan gambaran yang lebih komprehensif mengenai perilaku setiap pasien.
Hasilnya, model AI tersebut mampu mengelompokkan pasien ke dalam tiga kategori, yakni pelanggan bernilai rendah, sedang, dan tinggi dengan tingkat akurasi mencapai 97,95 persen serta F1-score 97,96 persen. Angka tersebut melampaui performa model XGBoost standar maupun metode optimasi lain seperti Grid Search dan Particle Swarm Optimization (PSO).
Temuan menarik lainnya adalah adanya hubungan yang sangat kuat antara frekuensi kunjungan pasien dan nilai transaksi dengan koefisien korelasi mencapai 0,90.
Hal itu menunjukkan bahwa pasien yang rutin melakukan pemeriksaan bukan hanya memberikan kontribusi terhadap keberlangsungan bisnis klinik, tetapi juga menjadi indikator keberhasilan pelayanan kesehatan yang diberikan.
Lebih dari itu, sistem AI yang dikembangkan mampu mendeteksi pasien yang mulai menunjukkan potensi churn, yakni kecenderungan berhenti memanfaatkan layanan klinik.
Kemampuan ini memungkinkan pengelola melakukan langkah antisipatif lebih dini, seperti mengirimkan pengingat jadwal pemeriksaan berkala, memberikan layanan yang lebih personal, maupun menawarkan program loyalitas kepada pasien dengan nilai tinggi.
Dengan pendekatan tersebut, klinik tidak hanya dapat meningkatkan kepuasan pasien, tetapi juga mengoptimalkan efisiensi operasional melalui strategi retensi yang lebih tepat sasaran.
Dari sisi akademik, riset ini juga menghadirkan kontribusi penting melalui integrasi algoritma XGBoost dengan TDLAVOA yang menggabungkan tiga strategi optimasi inovatif, yakni Tent Chaotic Mapping, Reverse Elite Solutions, dan Lens Imaging Reverse Learning. Kombinasi ketiga metode 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 data yang lebih kompleks sekaligus diintegrasikan ke dalam sistem manajemen klinik secara real-time.
Dengan demikian, pengelola klinik dapat memperoleh peringatan dini terhadap pasien yang berpotensi tidak kembali berobat sehingga upaya mempertahankan pasien dapat dilakukan lebih cepat dan berbasis bukti.
Penelitian ini telah menghasilkan artikel ilmiah yang telah disubmit ke jurnal internasional bereputasi serta memperoleh hak cipta atas integrasi algoritma XGBoost–TDLAVOA.
Capaian tersebut sekaligus menegaskan komitmen Universitas Negeri Malang dalam menghadirkan inovasi berbasis riset yang mampu menjawab kebutuhan nyata masyarakat dan mendukung transformasi digital sektor kesehatan di Indonesia.
Selain berdampak pada peningkatan kualitas layanan kesehatan, inovasi ini juga mendukung pencapaian Sustainable Development Goals (SDGs), khususnya SDG 3 (Good Health and Well-being) melalui pemanfaatan teknologi untuk meningkatkan mutu layanan kesehatan, serta SDG 9 (Industry, Innovation and Infrastructure) melalui pengembangan inovasi kecerdasan buatan yang mendorong transformasi layanan kesehatan secara berkelanjutan.(Djoko W)
