PERBANDINGAN BI-LSTM DAN SVM UNTUK KLASIFIKASI MULTI-KELAS PERTANYAAN PENGGUNA PADA PLATFORM KONSULTASI KESEHATAN DARING BERBAHASA INDONESIA
DOI:
https://doi.org/10.32699/biner.v5i2.11489Keywords:
Bi-LSTM, ketidakseimbangan kelas, klasifikasi teks, konsultasi kesehatan, SVMAbstract
Pertumbuhan platform konsultasi kesehatan daring di Indonesia menghasilkan volume data teks yang semakin besar sehingga diperlukan sistem klasifikasi otomatis untuk mengategorikan pertanyaan pengguna secara efektif. Penelitian ini bertujuan membandingkan performa Bidirectional Long Short-Term Memory (Bi-LSTM) dan Support Vector Machine (SVM) pada klasifikasi multi-kelas pertanyaan pengguna berbahasa Indonesia. Dataset yang digunakan diekstrak dari 497.974 rekaman konsultasi platform Alodokter periode 2014–2021, dengan 10.659 data valid yang dikelompokkan ke dalam tujuh topik penyakit dengan frekuensi pertanyaan tertinggi. Penelitian ini menerapkan prapemrosesan teks serta tiga strategi penanganan class imbalance, yaitu class weight, oversampling, dan undersampling. Hasil eksperimen menunjukkan bahwa skenario class weight menghasilkan performa terbaik pada kedua model. Bi-LSTM memperoleh weighted F1-score sebesar 0,892 dan AUC sebesar 0,985, sedikit lebih tinggi dibandingkan SVM yang memperoleh weighted F1-score sebesar 0,891 dan AUC sebesar 0,984, sementara kedua model mencapai akurasi yang sama sebesar 0,890. Penelitian ini memberikan bukti empiris perbandingan langsung Bi-LSTM dan SVM pada pertanyaan pengguna platform konsultasi kesehatan daring berbahasa Indonesia, sekaligus mengevaluasi tiga strategi penanganan class imbalance dalam satu kerangka eksperimen yang masih terbatas pada penelitian sebelumnya.
Downloads
References
[1] M. Y. Samad, F. Rosadi, F. Azzahra, T. Brata, D. A. Permatasari, and N. T. Krisdwiyanto, “Transformasi Digital Sektor Kesehatan Pada Telemedisin Indonesia,” J. Comput. Sci. Contrib., vol. 5, no. 1, pp. 13–22, 2025, doi: 10.31599/amzn1a78.
[2] B. S. Santoso, R. T. Budiyanti, and N. Nandini, “Analisis Pemanfaatan Layanan Telemedicine Pasca Pandemi Covid-19 Di Jawa Tengah,” J. Manaj. Kesehat. Indones., vol. 12, no. 2, pp. 119–129, 2024, doi: 10.14710/jmki.12.2.2024.119-129.
[3] E. Prima, “Penggunaan Aplikasi Telekonferensi Naik 443 Persen Sejak Pandemi,” Tempo.co, 2020. [Online]. Available: https://www.komdigi.go.id/berita/sorotan-media/detail/penggunaan-aplikasi-telekonferensi-naik-443-persen-sejak-pandemi. [Accessed: 16-May-2026].
[4] C. M. Annur, “Layanan Telemedicine yang Paling Banyak Digunakan di Indonesia, Apa Saja?,” databoks, 2022. [Online]. Available: https://databoks.katadata.co.id/layanan-konsumen-kesehatan/statistik/a42d36cd66cec74/layanan-telemedicine-yang-paling-banyak-digunakan-di-indonesia-apa-saja. [Accessed: 16-May-2026].
[5] Widyawati, “Strategi Transformasi Digital Kesehatan 2024 Diluncurkan, Fokus ke Pelayanan Kesehatan bukan Pelaporan untuk Pejabat,” Kemenkes, 2021. [Online]. Available: https://kemkes.go.id/id/strategi-transformasi-digital-kesehatan-2024-diluncurkan-fokus-ke-pelayanan-kesehatan-bukan-pelaporan-untuk-pejabat. [Accessed: 17-May-2026].
[6] F. Arifin, H. Sibyan, and N. Hasanah, “Rancang Bangun Chatbot Pada Sistem Ekapta Berbasis Natural Language Processing Dengan Algoritma Artificial Neural Network,” Biner J. Ilm. Inform. dan Komput., vol. 4, no. 1, pp. 1–8, 2025, doi: 10.32699/biner.v4i1.7687.
[7] Ginanjar Abdurrahman and H. Oktavianto, “Klasifikasi Teks Mining Untuk Deteksi Kanker Menggunakan Support Vector Machine,” JUSTIFY J. Sist. Inf. Ibrahimy, vol. 3, no. 1, pp. 16–20, 2024, doi: 10.35316/justify.v3i1.5028.
[8] R. N. Hanami, R. Mahendra, and A. F. Wicaksono, “Semantic classification of Indonesian consumer health questions,” J. Biomed. Semantics, vol. 16, no. 1, 2025, doi: 10.1186/s13326-025-00334-5.
[9] Moh. Heri Setiawan, I Gede Aris Gunadi, and Gede Indrawan, “Klasifikasi Pelayanan Kesehatan Berdasarkan Data Sentimen Pelayanan Kesehatan menggunakan Multiclass Support Vector Machine,” J. Sist. dan Inform., vol. 17, no. 1, pp. 47–54, 2023, doi: 10.30864/jsi.v17i1.512.
[10] J. Adiputra and D. Mahdiana, “Analisis Sentimen Dengan Algoritma Support Vector Machine Terhadap Penyakit Hepatitis Akut Misterius,” J. Ilm. Inform., vol. 6, no. 1, pp. 1–8, 2023, doi: 10.36080/idealis.v6i1.2985.
[11] E. S. J. Atmadji, A. P. Wibowo, and E. Faizal, “Comparative Study of Machine Learning Methods for Disease Classification Based on Natural Language Symptom Descriptions,” Int. J. Artif. Intell. Med. Issues, vol. 3, no. 2, pp. 102–109, 2025, doi: 10.56705/ijaimi.v3i2.361.
[12] S. Juanita, D. Purwitasari, I. K. E. Purnama, M. Raihan, and M. H. Purnomo, “Multi-Label Classification of Bilingual Doctor Responses in Online Medical Consultations Using Deep Learning,” J. Nas. Pendidik. Tek. Inform., vol. 14, no. 2, pp. 432–445, 2025, doi: 10.23887/janapati.v14i2.96980.
[13] W. O. Vihikan and I. N. P. Trisna, “Indonesian Health Question Multi-Class Classification Based on Deep Learning,” J. Inf. Syst. Informatics, vol. 6, no. 3, pp. 1931–1944, 2024, doi: 10.51519/journalisi.v6i3.838.
[14] D. Ignasius, I. Novita Dewi, M. Bernadette Chayeenee Norman, and R. Rakhmat Sani, “Medical Named Entity Recognition from Indonesian Health-News using Bi-LSTM-CRF with Static and Contextual Embeddings,” J. Appl. Informatics Comput., vol. 9, no. 6, pp. 2974–2985, 2025, doi: 10.30871/jaic.v9i6.11574.
[15] Y. H. D. Wangsajaya, E. Setyowati, and A. Wibowo, “Deteksi Emosi Teks X Berbahasa Indonesia Menggunakan Bi-LSTM dengan Seleksi Fitur Chi-Square,” J. Algoritm., vol. 22, no. 2, pp. 546–555, 2025, doi: 10.33364/algoritma/v.22-2.2658.
[16] A. Rifai, M. Hidayat, and N. Nulngafan, “Prediksi Harga Kentang Di Wonosobo Dengan Menggunaan Metode Long Short Term Memory (Lstm),” Biner J. Ilm. Inform. dan Komput., vol. 4, no. 1, pp. 9–18, 2025, doi: 10.32699/biner.v4i1.7794.
[17] S. Juanita, D. Purwitasari, I. K. E. Purnama, and M. Purnomo, “Doctor’s Answer Text Dataset in Indonesian Contains Information on Medical Interview Patterns,” 2023. [Online]. Available: https://data.mendeley.com/datasets/p8d5bynh3m/1. [Accessed: 19-May-2026].
[18] D. B. Saputra, V. Atina, and F. E. Nastiti, “Penerapan Model Crisp-Dm Pada Prediksi Nasabah Kredit Menggunakan Algoritma Random Forest,” IDEALIS Indones. J. Inf. Syst., vol. 7, no. 2, pp. 240–247, 2024, doi: 10.36080/idealis.v7i2.3244.
[19] I. Siti Aisah, B. Irawan, and T. Suprapti, “Algoritma Support Vector Machine (Svm) Untuk Analisis Sentimen Ulasan Aplikasi Al Qur’an Digital,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 6, pp. 3759–3765, 2024, doi: 10.36040/jati.v7i6.8263.
[20] S. Octaviana and Y. Mentari Indah, “Perbandingan Metode LSTM dan Bi-LSTM untuk Prediksi Data Curah Hujan,” BIAStatistics J. Stat. Theory Apl., vol. 19, no. 1, pp. 45–52, 2025.
[21] Ridwan, E. H. Hermaliani, and M. Ernawati, “Penerapan Metode SMOTE Untuk Mengatasi Imbalanced Data Pada Klasifikasi Ujaran Kebencian,” Comput. Sci., vol. 4, no. 1, pp. 80–88, 2024, doi: 10.31294/coscience.v4i1.2990.
[22] S. Diantika, “Penerapan Teknik Random Oversampling Untuk Mengatasi Imbalance Class Dalam Klasifikasi Website Phishing Menggunakan Algoritma Lightgbm,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 1, pp. 19–25, 2023, doi: 10.36040/jati.v7i1.6006.
[23] S. Hidayat, N. Herlina, and G. Nurul, “Penerapan Model Support Vector Machine Pada Kasus Klasifikasi Teks Berdasarkan Tujuan SGDS Ke Tiga, Empat, Dan Enam,” SisInfo, vol. 6, no. 2, pp. 28–37, 2024, doi: 10.37278/sisinfo.v6i2.893.
[24] M. A. Fadilla, M. F. Sholahuddin, and T. Sutabri, “Pengembangan Sistem Klasifikasi Diagnosa Medis Menggunakan Progressive Web Application Terintegrasi Machine Learning,” J. Syntax Admiration, vol. 5, no. 12, pp. 5488–5503, 2024, doi: 10.46799/jsa.v5i12.1906.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Biner : Jurnal Ilmiah Informatika dan Komputer
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
An author who publishes in this Journal agrees to the following terms:
- Author retains the copyright and grants the journal the right of first publication of the work simultaneously licensed under the Creative Commons Attribution-ShareAlike 4.0 License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal
- Author is able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book) with the acknowledgement of its initial publication in this journal.
- Author is permitted and encouraged to post his/her work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of the published work (See The Effect of Open Access).
