IDEA JATIM, MALANG – Persaingan ketat antar-klinik gigi kini memasuki babak baru yang berbasis data. Tim peneliti dari Universitas Negeri Malang (UM) sukses meluncurkan inovasi mutakhir berupa model Artificial Intelligence (AI) yang mampu mengklasifikasikan perilaku pasien klinik gigi dengan tingkat akurasi fantastis mencapai 97,95 persen. Teknologi canggih ini tidak hanya membantu klinik memahami karakteristik pasien secara presisi, tetapi juga menjadi senjata ampuh untuk mendeteksi pasien yang berpotensi berhenti berlangganan demi menyusun strategi pemasaran yang lebih efektif.
​Penelitian inovatif ini dipimpin oleh Rudi Nurdiansyah dan didanai melalui Program EQUITY LPDP Kementerian Pendidikan Tinggi, Sains, dan Teknologi. Menurut Rudi, persaingan bisnis klinik gigi saat ini sudah bergeser dari sekadar kualitas layanan medis ke arah kemampuan membaca kebutuhan serta perilaku pasien itu sendiri.
​”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,” ujar Rudi memaparkan latar belakang risetnya.
​Untuk mencapai akurasi yang luar biasa tersebut, tim peneliti mengawinkan model Extreme Gradient Boosting (XGBoost) dengan algoritma canggih Three-Dimensional Learning African Vulture Optimization Algorithm (TDLAVOA). Kombinasi ini memungkinkan sistem mengoptimalkan pengaturan parameter secara otomatis, sehingga menghasilkan model machine learning yang jauh lebih stabil dibandingkan proses pengaturan manual yang memakan waktu.
​Sebagai sampel uji coba, tim menganalisis data dari salah satu klinik gigi di Kota Malang yang mencakup 1.463 pasien unik dengan 1.496 catatan transaksi dari periode November 2021 hingga November 2025. Data tersebut kemudian dibedah menggunakan indikator LRFM (Length, Recency, Frequency, Monetary) untuk mengukur seberapa lama hubungan pasien dengan klinik, kapan kunjungan terakhir, seberapa sering mereka datang, hingga nilai ekonomi yang dihasilkan.
​Hasilnya, model yang diberi nama XGB_TDLAVOA ini sukses mengelompokkan pasien ke dalam tiga level, yakni pelanggan bernilai rendah, sedang, dan tinggi. Capaian F1-score yang menyentuh 97,96 persen ini terbukti melampaui performa model standar lainnya seperti Grid Search maupun Particle Swarm Optimization (PSO).
​”Kami menemukan adanya korelasi yang sangat kuat, dengan koefisien mencapai 0,90, antara frekuensi kunjungan pasien dan nilai transaksi mereka. Temuan ini menegaskan bahwa pasien yang rutin melakukan pemeriksaan merupakan aset terpenting bagi keberlanjutan bisnis klinik sekaligus menjadi indikator keberhasilan pelayanan kesehatan yang diberikan,” kata Rudi menambahkan.
​Hebatnya lagi, AI ini mampu membaca isyarat halus kapan seorang pasien mulai menunjukkan potensi churn atau berniat berhenti menggunakan layanan klinik. Informasi krusial ini memungkinan manajemen klinik untuk mengambil langkah pencegahan sejak dini sebelum pasien tersebut benar-benar pergi. Pihak pengelola dapat langsung mengirimkan pengingat jadwal pemeriksaan berkala yang dipersonalisasi, menawarkan promo layanan khusus, hingga menyusun program loyalitas bagi pasien yang masuk dalam kategori bernilai tinggi.
​Selain menjadi solusi praktis bagi industri kesehatan makro, proyek ini juga membawa kontribusi ilmiah yang kuat berkat integrasi tiga strategi optimasi inovatif, yaitu Tent Chaotic Mapping, Reverse Elite Solutions, dan Lens Imaging Reverse Learning.
Pendekatan ini berhasil menyeimbangkan proses eksplorasi dalam pencarian parameter sehingga menghasilkan model prediksi yang jauh lebih andal. Saat ini, luaran riset berupa artikel ilmiah telah didaftarkan ke jurnal internasional bereputasi serta telah mendapatkan hak cipta resmi.
​Langkah inovatif ini sekaligus mendukung Tujuan Pembangunan Berkelanjutan (SDGs) PBB, khususnya SDG 3 mengenai Kesehatan yang Baik dan Kesejahteraan serta SDG 9 terkait Industri, Inovasi, dan Infrastruktur. Ke depan, komitmen Universitas Negeri Malang tidak berhenti sampai di sini saja dalam mengawal transformasi digital di Indonesia.
​”Ke depan, kami berencana mengembangkan model ini untuk diterapkan pada kumpulan data yang lebih kompleks serta mengintegrasikannya ke dalam sistem manajemen klinik secara real-time. Dengan demikian, pengelola klinik dapat memperoleh peringatan dini terhadap pasien yang berpotensi tidak kembali berobat sehingga strategi retensi dapat dilakukan lebih cepat, efektif, dan berbasis bukti,” tutup Rudi mengenai target jangka panjang timnya. (*)
