Dosen UM Ciptakan AI yang Bisa Prediksi Perilaku Pasien Klinik Gigi, Akurasinya Tembus 97,95 Persen
SMARTLIVE,MALANG – Tim peneliti Universitas Negeri Malang (UM) berhasil mengembangkan teknologi kecerdasan buatan (Artificial Intelligence/AI) yang mampu memprediksi perilaku pasien klinik gigi dengan tingkat akurasi mencapai 97,95 persen. Inovasi ini digadang-gadang dapat membantu klinik meningkatkan kualitas pelayanan, mempertahankan loyalitas pasien, hingga menyusun strategi bisnis berbasis data.
Riset yang didanai melalui Program EQUITY LPDP Kementerian Pendidikan Tinggi, Sains, dan Teknologi tersebut dipimpin dosen UM Rudi Nurdiansyah bersama tim peneliti. Ketua Peneliti, Rudi Nurdiansyah, mengatakan persaingan layanan kesehatan saat ini tidak lagi hanya ditentukan oleh kualitas tindakan medis, tetapi juga kemampuan memahami karakteristik dan 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,” ujarnya.
Dalam penelitian tersebut, tim memanfaatkan algoritma Extreme Gradient Boosting (XGBoost) yang dioptimalkan menggunakan metode Three-Dimensional Learning African Vulture Optimization Algorithm (TDLAVOA). Teknologi ini mampu mengoptimalkan proses pengolahan data secara otomatis sehingga menghasilkan model prediksi yang lebih stabil dan akurat dibandingkan metode konvensional.
Sebagai studi kasus, tim peneliti menganalisis 1.463 pasien dengan 1.496 catatan transaksi dari salah satu klinik gigi di Kota Malang selama periode November 2021 hingga November 2025.Data tersebut kemudian diolah menggunakan indikator Length, Recency, Frequency, dan Monetary (LRFM) untuk mengukur lamanya hubungan pasien dengan klinik, frekuensi kunjungan, waktu kunjungan terakhir, hingga nilai transaksi yang dihasilkan.
Hasilnya, model AI yang dikembangkan mampu mengelompokkan pasien ke dalam tiga kategori, yakni pelanggan bernilai rendah, sedang, dan tinggi, dengan tingkat akurasi 97,95 persen serta F1-score 97,96 persen. Angka tersebut lebih tinggi dibandingkan model XGBoost standar maupun metode optimasi lainnya. Tak hanya itu, penelitian juga menemukan hubungan yang sangat kuat antara frekuensi kunjungan pasien dan nilai transaksi dengan koefisien korelasi mencapai 0,90.
Temuan tersebut menunjukkan bahwa pasien yang rutin melakukan pemeriksaan menjadi aset penting bagi keberlangsungan layanan kesehatan. Melalui teknologi ini, klinik juga dapat mendeteksi lebih dini pasien yang berpotensi berhenti menggunakan layanan (churn), sehingga manajemen dapat segera melakukan langkah antisipatif, seperti mengirim pengingat jadwal kontrol, memberikan layanan yang lebih personal, hingga menyusun program loyalitas bagi pasien.
Selain memberikan solusi praktis bagi pengelolaan klinik, penelitian ini juga menghasilkan inovasi ilmiah berupa integrasi algoritma XGBoost dan TDLAVOA yang telah diajukan ke jurnal internasional bereputasi serta memperoleh hak cipta.Ke depan, tim peneliti berencana mengembangkan sistem tersebut agar dapat diintegrasikan secara real-time ke dalam sistem manajemen klinik sehingga proses pengambilan keputusan dapat dilakukan lebih cepat dan berbasis data.
Riset ini sekaligus mempertegas komitmen Universitas Negeri Malang dalam menghadirkan inovasi berbasis kecerdasan buatan yang mendukung transformasi digital sektor kesehatan serta berkontribusi terhadap pencapaian Sustainable Development Goals (SDGs), khususnya peningkatan kualitas layanan kesehatan dan pengembangan inovasi teknologi. (Shin)
