PERANCANGAN SISTEM CHATBOT MEDIS BERBASIS PENDEKATAN HYBRID MACHINE LEARNING UNTUK MENINGKATKAN LAYANAN INFORMASI KLINIK

Rahmadiany, Vina (2026) PERANCANGAN SISTEM CHATBOT MEDIS BERBASIS PENDEKATAN HYBRID MACHINE LEARNING UNTUK MENINGKATKAN LAYANAN INFORMASI KLINIK. Diploma thesis, Politeknik Negeri Sriwijaya.

	Text (COVER) COVER.pdf - Published Version Download (787kB)
	Text (ABSTRAK) ABSTRAK.pdf - Published Version Download (214kB)
	Text (BAB I PENDAHULUAN) BAB I.pdf - Published Version Restricted to Repository staff only Download (344kB) | Request a copy
	Text (BAB II TINJAUAN PUSTAKA) BAB II.pdf - Published Version Restricted to Repository staff only Download (812kB) | Request a copy
	Text (BAB III METODE PENELITIAN) BAB III.pdf - Published Version Restricted to Repository staff only Download (602kB) | Request a copy
	Text (BAB IV HASIL DAN PEMBAHASAN) BAB IV.pdf - Published Version Restricted to Repository staff only Download (2MB) | Request a copy
	Text (BAB V PENUTUP) BAB V.pdf - Published Version Restricted to Repository staff only Download (209kB) | Request a copy
	Text (DAFTAR PUSTAKA) DAFTAR PUSTAKA.pdf - Published Version Restricted to Repository staff only Download (189kB) | Request a copy
	Text (LAMPIRAN) LAMPIRAN.pdf - Published Version Restricted to Repository staff only Download (10MB) | Request a copy

Abstract

Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem chatbot medis berbasis web guna mengatasi keterbatasan layanan informasi Klinik Opina yang masih bergantung pada respons manual petugas, dengan mengembangkan pendekatan Hybrid yang mengintegrasikan Support Vector Machine (SVM) sebagai komponen klasifikasi intent dan Large Language Model (LLM) sebagai penyusun respons akhir yang komunikatif. Sistem dibangun menggunakan dataset 3.674 sampel dari 73 kelas intent (39 layanan klinik dan 34 penyakit umum), melalui tahap Preprocessing berupa normalisasi singkatan, case folding, tokenisasi, stopword removal, dan stemming Sastrawi, serta ekstraksi fitur kombinasi TF-IDF Word N-gram (1,2) dan Character N-gram (3,4) dengan seleksi Chi-Squared persentil 80%, kemudian diklasifikasikan menggunakan ensemble tiga model LinearSVC (C = 1,5; 3,0; 5,0) dengan mekanisme soft voting dan augmentasi data training melalui synonym replacement, random deletion, dan word swap; sistem diintegrasikan dengan Meta Llama 3.1 8B Instruct via NVIDIA API dan di-deploy sebagai aplikasi web Single Page Application (SPA) berbasis Flask di klinikOpinapalembang.com. Hasil evaluasi menunjukkan accuracy 91,43%, F1-Score Weighted 91,57%, Cohen's Kappa 0,9128, dan ROC-AUC Macro 0,9981 pada 735 sampel testing, dengan kestabilan dikonfirmasi melalui Stratified 5-Fold Cross validation (σ ≈ 0,013); McNemar's Test menunjukkan SVM Ensemble berbeda signifikan terhadap Complement Naive Bayes dan Decision Tree (p < 0,01), namun setara dengan Logistic Regression (p = 0,280) dan Single SVM (p = 0,500), sementara pengujian fungsional black-box testing pada 32 skenario menghasilkan pass rate 100% dengan rata-rata response time komputasi internal 78,06 ms (persentil ke-95 sebesar 117,25 ms) dan response time kondisi penggunaan nyata pada rentang 1,2–2,6 detik.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Chatbot, SVM Ensemble, Large Language Model, Hybrid Machine Learning, Klasifikasi Intent, Natural Language Processing
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Telecommunication Engineering > Undergraduate Theses
Depositing User:	Pustaka Teknik Elektro
Date Deposited:	03 Sep 2026 15:32
Last Modified:	03 Sep 2026 15:32
URI:	http://eprints.polsri.ac.id/id/eprint/26182

Actions (login required)

View Item