<![CDATA[Permasalahan gangguan kesehatan mental seperti depresi dan distorsi kognitif terus meningkat, sementaraketerbatasan jumlah konselor menjadi hambatan dalam penyediaan layanan psikologis yang memadai. Penelitian inimengembangkan sistem klasifikasi distorsi kognitif dan respons terapi kognitif-perilaku (CBT) berbasis Large LanguageModel (LLM) menggunakan teknik prompt engineering dengan pendekatan Chain of Thought (CoT), In-Context Learning(ICL), dan Retrieval-Augmented Generation (RAG). Sistem diuji pada data berbahasa Indonesia dan Inggris, serta dievaluasiberdasarkan akurasi klasifikasi dan kualitas respons generatif menggunakan metode G-Eval. Hasil analisis menunjukkanbahwa prompt engineering efektif meningkatkan akurasi klasifikasi dan koherensi respons CBT, bahkan pada model denganparameter rendah hingga tinggi. Penggunaan gaya bahasa formal dalam prompt menghasilkan performa klasifikasi yang lebihkonsisten, dengan akurasi tertinggi mencapai 72.4% melalui strategi majority voting, sedangkan gaya informal tetap mampumenghasilkan respons yang natural dengan skor G-Eval di atas 7.0 pada seluruh dimensi penilaian. Sistem ini dirancang agardapat diintegrasikan ke dalam platform chatbot atau robot konselor digital, serta menunjukkan potensi dalam memperluasakses layanan psikologis berbasis AI dalam bahasa Indonesia.Kata Kunci—Distorsi Kognitif, Terapi Kognitif-Perilaku, LLM, Prompt Engineering, RAG, Chain of Thought ]]>
Copyrights © 2025
