Pengembangan Chatbot Penyakit Ringan Menggunakan Metode Long Short-Term Memory

Abstract

Abstrak : 

Penyakit merupakan salah satu masalah bagi manusia baik penyakit ringan lebih-lebih penyakit kronis. Manusia telah mempelajari tentang bagaimana menangani permasalahan penyakit dari zaman ke-zaman demi kesejahteraan manusia. Seiring waktu populasi manusia bertambah dan penyakit semakin banyak baik yang dapat diobati maupun tidak sehingga manusia membangun fasilitas-fasilitas kesehatan. Tujuan penelitian ini supaya dapat memaksimalkan pelayanan IKS An-Nur II di luar jam kerja dokter. Penulis menggunakan AI Project Cycle untuk proses pembuatan chatbot, menggunakan pendekatan Natural Language Processing untuk interaksi dengan pengguna, dan algoritma Long Short-Term Memory untuk membuat model dengan melibatkan pengembangan melalui framework Flask. Hasil evaluasi menunjukkan bahwa model yang dihasilkan memiliki nilai training loss sebesar 12,35%, yang mengindikasikan tingkat error yang rendah pada data pelatihan, serta training accuracy sebesar 100%, menandakan model telah belajar pola data pelatihan dengan sangat baik. Pada data validasi, model mencapai validation loss sebesar 42,44% dan validation accuracy sebesar 94,44%. Nilai validation accuracy yang tinggi menunjukkan kemampuan model dalam menghasilkan respons yang relevan terhadap data baru. Hasil akurasi yang tinggi menjadikan chatbot mampu menjawab pertanyaan dengan akurasi cukup baik.

====================================================

Abstract :

Disease is one of the problems for humans, whether it is a mild disease or a chronic disease. Humans have learned about how to deal with disease problems from time to time for the sake of human welfare. Over time the human population increases and more and more diseases both treatable and not so humans build health facilities. The purpose of this research is to maximize the services of IKS An-Nur II outside of doctor's working hours. The author uses the AI Project Cycle for the chatbot creation process, using the Natural Language Processing approach for interaction with users, and the Long Short-Term Memory algorithm to create models by involving development through the Flask framework. The evaluation results show that the resulting model has a training loss of 12.35%, indicating a low error rate in the training data, and a training accuracy of 100%, indicating that the model has learned the training data patterns very well. On the validation data, the model achieved a validation loss of 42.44% and a validation accuracy of 94.44%. High validation accuracy scores indicate the model's ability to generate relevant responses to new data. The high accuracy results make the chatbot capable of answering user questions with high accuracy.