INTEGRASI LONG SHORT-TERM MEMORY DAN NATURAL LANGUAGE PROCESSING DALAM CHATBOT UNTUK PREDIKSI GEJALA BERDASARKAN KELUHAN PENGGUNA DAN DIAGNOSA DINI PENYAKIT KRONIS

Penyakit kronis merupakan masalah kesehatan global yang signifikan, dengan angka
kematian yang terus meningkat. Inovasi dalam pelayanan kesehatan, terutama melalui
teknologi informasi, diperlukan untuk mengatasi masalah aksesibilitas layanan
kesehatan. Penelitian ini bertujuan untuk mengembangkan sistem pakar yang
diintegrasikan dengan chatbot, menggunakan metode LSTM dan NLP untuk
mendiagnosa penyakit berdasarkan keluhan pengguna. Dataset yang digunakan terdiri
dari 1166 data setelah melalui tahap preprocessing dan pembagian data. Berdasarkan
evaluasi terhadap berbagai kombinasi model, model terbaik adalah model kedua dengan
pengaturan Epoch 50, Learning Rate 0.001, batch size 32, dan arsitektur LSTM yang
terdiri atas tiga hidden layer masing-masing dengan 32 neuron, yang dilengkapi lapisan
normalisasi pada setiap layer LSTM dan dense. Model ini mencapai akurasi sebesar
99,83% dengan nilai loss 0,0085 menunjukkan kinerja yang konvergen, sebagaimana
tertera dalam confusion matrix. Selain itu, chatbot ini diuji terhadap pakar kesehatan,
menghasilkan akurasi diagnosis sebesar 90% (36 dari 40) pengujian. Pada pengujian
respon inputan, chatbot menunjukkan tingkat akurasi sebesar 96,67% dan waktu respon
yang cukup cepat, berkisar antara 0,02 detik hingga 2,66 detik. Hasil ini menunjukkan
bahwa sistem ini tidak hanya efektif dalam akurasi diagnosis, tetapi juga dalam kecepatan
respon terhadap input pengguna, sehingga dapat meningkatkan efisiensi dalam layanan
diagnosa dini penyakit kronis.
Kata Kunci: Chatbot, Sistem Pakar, LSTM, NLP