PORTALPUBLIKASIPORTALPUBLIKASI

Journal of Research and Publication InnovationJournal of Research and Publication Innovation

Pemanfaatan teknologi digital dalam komunikasi layanan kesehatan di Indonesia masih minim, di mana lebih dari 80% fasilitas kesehatan belum terhubung secara optimal dengan sistem digital. Penelitian ini bertujuan merancang dan mengimplementasikan chatbot berbasis Natural Language Processing (NLP) yang terintegrasi dengan WhatsApp untuk meningkatkan efisiensi pelayanan pasien di Klinik Khitan Dr. Sarwoko. Sistem dibangun menggunakan Node.js (library Baileys) untuk integrasi WhatsApp dan Python (Flask) sebagai backend pemrosesan NLP, dengan SQLite sebagai basis data serta dashboard admin berbasis HTML/JavaScript. Sistem mendukung lebih dari 35 kategori intent menggunakan pendekatan rule-based keyword matching dengan preprocessing Sastrawi. Pengujian Black Box pada 47 skenario uji dalam 7 kategori mencapai tingkat keberhasilan 100%. Pengujian White Box terhadap 5 modul utama menghasilkan kompleksitas siklomatik rata-rata V(G) = 4,0 (Risiko Rendah). Survei kuesioner terhadap 20 responden menghasilkan nilai kepuasan rata-rata 4,42/5 (Sangat Baik). Chatbot beroperasi 24 jam dengan rata-rata waktu respons 1,5 detik, secara signifikan mengurangi beban kerja repetitif staf administrasi dan meningkatkan aksesibilitas layanan pasien.

Sistem chatbot berbasis NLP terintegrasi dengan WhatsApp berhasil diimplementasikan dengan arsitektur multi-tier, beroperasi 24 jam, dan mendeteksi lebih dari 35 kategori intent dengan akurasi 100% pada pengujian Black Box serta kompleksitas siklomatik rendah (V(G)=4,0).Survei kuesioner menunjukkan kepuasan rata‑rata 4,42/5, dengan kemudahan pendaftaran online dan kecepatan respons (1,5 detik) memperoleh nilai tertinggi 4,50, melampaui target non‑fungsional (<3 detik).Secara keseluruhan, chatbot ini meningkatkan efisiensi pelayanan pasien dan mengurangi beban kerja repetitif petugas klinik.

Penelitian selanjutnya dapat menyelidiki apakah model‑model machine learning seperti Naive Bayes, Support Vector Machine, atau jaringan saraf dalam (deep learning) dapat meningkatkan akurasi deteksi intent dibandingkan pendekatan rule‑based keyword matching yang digunakan saat ini, dengan melakukan perbandingan kinerja pada dataset percakapan klinik yang sama serta menganalisis dampaknya terhadap tingkat kesalahan input. Selain itu, studi dapat mengeksplorasi integrasi Large Language Model (LLM) melalui metode Retrieval‑Augmented Generation (RAG) untuk menghasilkan respons yang lebih kontekstual dan adaptif, serta mengukur dampaknya terhadap kepuasan pengguna, waktu respons, dan beban kerja staf klinik. Sebagai langkah lanjutan, penelitian dapat merancang dan menguji arsitektur chatbot multichannel yang mencakup platform WhatsApp, Telegram, dan Instagram, dilengkapi dengan mekanisme enkripsi data serta otentikasi berbasis token, kemudian menilai kehandalan sistem pada lingkungan cloud (misalnya AWS atau Docker) dengan target uptime minimal 99,9 % serta implikasi biaya operasional.

Read online
File size645.78 KB
Pages6
DMCAReport

Related /

ads-block-test