NIRWANA, Syakira Nada (2026) Optimasi Arsitektur IndoBERT-RNN-CRF untuk Named Entity Recognition pada Teks Medis Terkait Kesehatan Ibu dan Anak Berbahasa Indonesia. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Archive (FULL TEXT) Skripsi_Syakira Nada Nirwana_24060122130049.zip Restricted to Repository staff only Download (5MB)
	Text 1. COVER.pdf Download (116kB)
	Text 3. HALAMAN PENGESAHAN.pdf Download (221kB)
	Text 4. KATA PENGANTAR.pdf Download (263kB)
	Text 6. ABSTRAK.pdf Download (165kB)
	Text 7. ABSTRACT.pdf Download (108kB)
	Text 8. DAFTAR ISI.pdf Download (242kB)
	Text 11. BAB I PENDAHULUAN.pdf Download (281kB)
	Text 16. DAFTAR PUSTAKA.pdf Download (258kB)

Abstract

Kesehatan ibu dan anak (KIA) merupakan aspek penting dalam pembangunan kesehatan
nasional Indonesia yang memerlukan pengelolaan informasi medis secara efektif.
Peningkatan pemanfaatan platform telemedicine seperti Alodokter menghasilkan data teks
konsultasi KIA dalam jumlah besar. Namun, karakteristik data yang tidak terstruktur dan
tidak baku menyulitkan proses ekstraksi informasi klinis secara otomatis. Untuk mengatasi
permasalahan tersebut, penelitian ini mengembangkan pendekatan Named Entity
Recognition (NER) berbasis arsitektur Indonesian Bidirectional Encoder Representations
from Transformers (IndoBERT) yang dikombinasikan dengan dua varian Recurrent Neural
Network (RNN), yaitu Bidirectional Gated Recurrent Unit (BiGRU) dan Bidirectional Long
Short-Term Memory (BiLSTM), serta Conditional Random Field (CRF). Penelitian ini
menggunakan 1.000 data pertanyaan medis terkait KIA dari Alodokter yang dianotasi ke
dalam sembilan kategori entitas dan dikonversi ke skema Beginning, Inside, Outside (BIO).
Pengembangan model dilakukan melalui beberapa skenario eksperimen. Skenario 1
berfokus pada optimasi hyperparameter model dasar IndoBERT-BiGRU-CRF dan
IndoBERT-BiLSTM-CRF, sedangkan Skenario 2 menguji tiga strategi modifikasi arsitektur,
yaitu peningkatan dimensi hidden BiGRU (Skenario 2a), implementasi stacked layer
BiGRU dan dropout (Skenario 2b), serta optimasi lapisan klasifikasi menggunakan
Gaussian Error Linear Unit (GELU) (Skenario 2c). Hasil penelitian menunjukkan bahwa
model terbaik diperoleh pada skenario 2b, yaitu arsitektur IndoBERT-BiGRU-CRF dengan
stacked layer BiGRU yang menghasilkan test Micro F1-score sebesar 0,8455. Hasil tersebut
menunjukkan bahwa optimasi arsitektur mampu meningkatkan performa model dalam
mengenali entitas medis pada teks KIA berbahasa Indonesia.
Kata kunci: Named Entity Recognition, IndoBERT, BiGRU, BiLSTM, CRF

(NO. KETERSEDIAAN : 1722/F/2026)

Actions (login required)

View Item