Hasil Pencarian  ::  Simpan CSV :: Kembali

"Perkembangan teknologi kecerdasan buatan (AI) dalam beberapa tahun terakhir telah menjadi peluang besar di berbagai sektor, termasuk dalam sektor kesehatan. Salah satu implementasi AI yang menunjukkan potensi signifikan adalah Large Language Models (LLM), yang dapat memahami dan menghasilkan teks. Penelitian ini bertujuan untuk mengembangkan sistem asisten medis virtual berbasis AI dengan mengintegrasikan LLM dan teknik Retrieval-Augmented Generation (RAG). Sistem ini dirancang untuk memberikan informasi medis yang relevan, akurat, dan terkini bagi tenaga medis. Metode penelitian melibatkan pengembangan sistem menggunakan LLM, RAG, dan LangChain, yang kemudian diuji untuk memastikan kinerja dan keandalannya. Evaluasi dilakukan dengan metrik berbasis RAG dan ROUGE, mencakup dimensi seperti faithfulness, context precision, answer relevance, dan context recall. Hasil penelitian menunjukkan bahwa integrasi LLM dan RAG mampu meningkatkan akurasi informasi, relevansi jawaban, dan efisiensi sistem dalam skenario klinis. Sistem ini diharapkan dapat menjadi solusi inovatif untuk mendukung pekerjaan tenaga medis, mempercepat pengambilan keputusan, dan meningkatkan kualitas pelayanan kesehatan.

---

The advancement of artificial intelligence (AI) technology in recent years has created significant opportunities across various sectors, including healthcare. One notable implementation of AI with significant potential is Large Language Models (LLM), which can comprehend and generate text. This study aims to develop an AI-based virtual medical assistant system by integrating LLM and Retrieval-Augmented Generation (RAG) techniques. The system is designed to provide relevant, accurate, and up-to-date medical information for healthcare professionals. The research methodology involves the development of the system using LLM, RAG, and LangChain, followed by performance and reliability testing. Evaluation is conducted using RAG- and ROUGE-based metrics, covering dimensions such as faithfulness, context precision, answer relevance, and context recall. The results demonstrate that integrating LLM and RAG enhances information accuracy, answer relevance, and system efficiency in clinical scenarios. This system is expected to be an innovative solution to support healthcare professionals, expedite decision-making, and improve the quality of healthcare services. "

"Penelitian ini bertujuan untuk mengembangkan sistem chatbot yang mampu menjawab pertanyaan seputar akademik Teknik Komputer UI. Sistem ini memanfaatkan teknologi Large Language Model (LLM) Komodo-7B yang telah di-fine-tuning dengan teknik Low-Rank Adaptation (LoRA) dan diintegrasikan dengan Retrieval Augmented Generation (RAG). Dataset Ultrachat yang diterjemahkan ke Bahasa Indonesia digunakan untuk fine-tuning model Komodo-7B, sementara dokumen PDF Kurikulum Teknik Komputer UI 2020 v4 digunakan sebagai sumber informasi untuk model RAG.Pengujian performa model Komodo-7B menunjukkan bahwa LoRA efektif dalam meningkatkan kemampuan model dalam memahami dan menghasilkan teks percakapan Bahasa Indonesia. Namun, pengujian performa chatbot menggunakan dua dataset pertanyaan, yaitu dataset custom yang dihasilkan menggunakan Giskard dan API ChatGPT, dan dataset Fathurrahman Irwansa yang telah diadaptasi, menunjukkan bahwa sistem chatbot masih memiliki ruang untuk peningkatan. Tingkat akurasi yang rendah pada kedua dataset (32% pada dataset custom dan 24,1% pada dataset Fathur) mengindikasikan bahwa sistem retrieval yang digunakan kurang akurat dalam menemukan konteks yang relevan. Meskipun demikian, ketika model RAG dapat mengambil konteks yang relevan, model Komodo-7B menunjukkan akurasi yang cukup tinggi (80% pada dataset custom dan 91,29% pada dataset Fathur, dihitung dari jumlah ketika kedua Komodo-7B dan konteks benar, kemudian dibagi dengan jumlah ketika konteks benar).Hasil penelitian menunjukkan bahwa model Komodo-7B memiliki potensi yang baik untuk digunakan pada sistem chatbot jika dikombinasikan dengan sistem retrieval yang lebih akurat. Penelitian ini memberikan kontribusi dalam pengembangan sistem chatbot berbasis LLM untuk menjawab pertanyaan seputar akademik, dan membuka peluang untuk penggunaan yang lebih luas di lingkungan Universitas Indonesia.

---

This research aims to develop a chatbot system capable of answering questions regarding the academic curriculum of Computer Engineering at Universitas Indonesia. The system utilizes the Komodo-7B Large Language Model (LLM), fine-tuned with Low-Rank Adaptation (LoRA) and integrated with Retrieval Augmented Generation (RAG). The Ultrachat dataset, translated into Indonesian, is used for fine-tuning the Komodo-7B model, while the 2020 v4 Computer Engineering Curriculum PDF document serves as the information source for the RAG model. Performance evaluation of the Komodo-7B model demonstrates that LoRA effectively enhances the model's ability to understand and generate Indonesian text. However, chatbot performance testing using two question datasets, a custom dataset generated using Giskard and the ChatGPT API, and the Fathur dataset adapted from prior research, reveals that the chatbot system still has room for improvement. The low accuracy on both datasets (32% on the custom dataset and 24.1% on the Fathur dataset) indicates that the retrieval system employed is not sufficiently accurate in finding relevant context. Nevertheless, when the RAG model successfully identifies relevant context, the Komodo-7B model exhibits relatively high accuracy (80% on the custom dataset and 91.29% on the Fathur dataset, calculated from the total of when Komodo-7B and the context are both correct, then divided by the total of when the context is correct). The research findings suggest that the Komodo-7B model holds significant potential for chatbot systems when combined with a more accurate retrieval system. This study contributes to the development of LLM-based chatbot systems for answering academic-related questions and opens up opportunities for broader applications within Universitas Indonesia."