Intent Classification model menggunakan metode Bidirectional Encoder Representation from Transformers pada data JKN-KIS

Patricia, Vina (2025) Intent Classification model menggunakan metode Bidirectional Encoder Representation from Transformers pada data JKN-KIS. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) COVER.pdf Download (177kB) | Preview
Preview	Text (ABSTRAK) ABSTRAK.pdf Download (193kB) | Preview
Preview	Text (LEMBAR PERNYATAAN KARYA) PERNYATAAN KARYA.pdf Download (193kB) | Preview
Preview	Text (DAFTAR ISI) DAFTAR ISI.pdf Download (276kB) | Preview
Preview	Text (BAB I) BAB I.pdf Download (307kB) | Preview
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (339kB) | Request a copy
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (400kB) | Request a copy
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (961kB) | Request a copy
	Text (BAB V) BAB V.pdf Restricted to Registered users only Download (227kB) | Request a copy
	Text (DAFTAR PUSTAKA) DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (226kB) | Request a copy
	Text (LAMPIRAN) LAMPIRAN.pdf Restricted to Repository staff only Download (257kB) | Request a copy

Abstract

Pemahaman masyarakat terhadap layanan Jaminan Kesehatan Nasional-Kartu Indonesia Sehat (JKN-KIS) masih tergolong rendah, terutama terkait prosedur, hak, dan manfaat program. Hal ini berdampak pada kurang optimalnya pemanfaatan layanan kesehatan. Untuk mengatasi permasalahan tersebut, diperlukan sistem berbasis teknologi yang mampu memberikan informasi secara cepat dan tepat. Salah satu solusi yang dapat diterapkan adalah sistem dengan kemampuan klasifikasi intent. Penelitian ini bertujuan untuk menerapkan model IndoBERT dalam tugas Intent classification pada data JKN-KIS serta mengevaluasi performanya. Sistem dikembangkan menggunakan pendekatan multi-class classification dengan total 122 kelas intent berbahasa Indonesia. Proses pelatihan dilakukan dalam delapan skenario menggunakan kombinasi parameter yang berbeda. Hasil penelitian menunjukkan bahwa performa terbaik diperoleh pada skenario keempat dengan model IndoBERT-Base, rasio data 80:10:10, dan batch size 4. Pada skenario ini, model mencapai akurasi pengujian sebesar 98,36% dan berhasil mengklasifikasikan 110 dari 122 kelas dengan benar. Secara keseluruhan, IndoBERT-Base menunjukkan performa yang lebih unggul dibandingkan IndoBERT-Lite dalam Intent classification berbasis teks bahasa Indonesia.

Actions (login required)

View Item