Rudi Nurdiansyah bersama tim peneliti UM Kembangkan kecerdasan buatan pada bidang kesehatan
Malang, Bhirawa
Universitas Negeri Malang (UM) kembali menorehkan prestasi gemilang di kancah nasional melalui inovasi teknologi mutakhir. Kali ini, tim peneliti dosen UM sukses mengembangkan model kecerdasan buatan atau Artificial Intelligence (AI) yang mampu memprediksi dan mengklasifikasikan perilaku pasien klinik gigi dengan tingkat akurasi yang sangat tinggi, mencapai 97,95 persen.
Terobosan ini membuka peluang besar bagi manajemen industri kesehatan gigi untuk memahami karakteristik pasien secara presisi. Melalui pemanfaatan data yang akurat, klinik gigi kini dapat meningkatkan kualitas layanan secara personal, memperkuat loyalitas pasien, sekaligus menyusun strategi pengelolaan serta pemasaran yang jauh lebih efektif dan efisien.
Riset strategis yang sarat manfaat ini berhasil direalisasikan berkat dukungan pendanaan penuh dari Pemerintah pusat melalui Program EQUITY LPDP Kementerian Pendidikan Tinggi, Sains, dan Teknologi (Kementerian Dikti-Sainstek) Republik Indonesia.
Ketua Tim Peneliti UM, Rudi Nurdiansyah, mengemukakan bahwa dinamika persaingan antarklinik gigi saat ini telah mengalami pergeseran paradigma. Menurutnya, keunggulan sebuah klinik tidak lagi hanya bertumpu pada kualitas layanan medis semata, melainkan juga pada kemampuan manajerial dalam memahami perilaku dan kebutuhan spesifik para pasiennya.
”Selama ini banyak keputusan manajerial di klinik kesehatan masih didasarkan pada intuisi atau perkiraan semata. Melalui penelitian ini, kami menawarkan pendekatan berbasis data ilmiah (data-driven decision) agar manajemen klinik dapat mengenali karakteristik pasien secara objektif dan akurat,” ujar Rudi Nurdiansyah, Rabu (1/7).
Lebih dalam Rudi memaparkan, riset ini memanfaatkan model Extreme Gradient Boosting (XGBoost) yang dioptimalkan secara cerdas menggunakan algoritma Three-Dimensional Learning African Vulture Optimization Algorithm (TDLAVOA). Inovasi sistem ini dirancang untuk melakukan pengaturan hyperparameter secara otomatis, sehingga mampu memproduksi model machine learning yang jauh lebih stabil dan akurat dibandingkan dengan proses penyetelan manual.
Sebagai basis studi kasus, tim peneliti UM menganalisis rekam data yang mencakup 1.463 pasien unik dengan total 1.496 catatan transaksi dari salah satu klinik gigi representatif di Kota Malang untuk rentang periode November 2021 hingga November 2025.
Seluruh data tersebut diolah menggunakan indikator analisis LRFM, yakni Length (lamanya hubungan pasien dengan klinik), Recency (waktu kunjungan terakhir), Frequency (frekuensi kedatangan), serta Monetary (nilai ekonomi atau kontribusi finansial yang dihasilkan pasien).
Hasil pengujian menunjukkan performa yang luar biasa. Model XGB_TDLAVOA bentukan dosen UM ini sukses mengelompokkan klaster pasien ke dalam tiga kategori utama, yaitu pelanggan bernilai rendah (low-value), sedang (mid-value), dan tinggi (high-value). Raihan akurasi 97,95 persen serta F1-score sebesar 97,96 persen ini terbukti melampaui performa model XGBoost standar maupun metode optimasi konvensional lainnya seperti Grid Search dan Particle Swarm Optimization (PSO).
Riset komprehensif ini juga menemukan korelasi linier yang sangat kuat antara frekuensi kunjungan pasien dengan total nilai transaksi, dengan koefisien korelasi mencapai angka 0,90. Temuan ilmiah ini menegaskan bahwa pasien yang aktif melakukan kontrol rutin merupakan aset vital bagi keberlanjutan operasional klinik, sekaligus parameter utama keberhasilan pelayanan medik.
Istimewanya, sistem AI ini juga dibekali kemampuan mendeteksi pasien yang mulai menunjukkan indikasi potensi churn atau kecenderungan untuk berhenti menggunakan layanan klinik. Deteksi dini ini membuat manajemen dapat segera melakukan langkah preventif, seperti mengirimkan pesan pengingat otomatis, menawarkan promo personal, hingga merancang program loyalitas khusus.
Secara akademis, riset ini menorehkan kontribusi ilmiah yang kuat dengan mengintegrasikan algoritma XGBoost dan TDLAVOA yang memadukan tiga strategi optimasi: Tent Chaotic Mapping, Reverse Elite Solutions, dan Lens Imaging Reverse Learning.
Saat ini, luaran riset berupa artikel ilmiah telah resmi disubmit ke jurnal internasional bereputasi, serta telah mengantongi perlindungan Hak Cipta resmi dari negara atas integrasi algoritma XGBoost-TDLAVOA tersebut. Ke depan, tim UM berencana memperluas cakupan data yang lebih makro serta mengintegrasikannya langsung ke dalam sistem informasi manajemen klinik secara real-time.
Langkah inovatif Universitas Negeri Malang ini juga menjadi bukti nyata kontribusi kampus dalam mendukung Tujuan Pembangunan Berkelanjutan atau Sustainable Development Goals (SDGs). Khususnya pada pilar SDG 3 (Kehidupan Sehat dan Sejahtera) melalui digitalisasi layanan kesehatan, serta SDG 9 (Industri, Inovasi, dan Infrastruktur) demi akselerasi transformasi digital yang berkelanjutan di tanah air.mut
