<![CDATA[Penerapan Natural Language Processing dan Large Language Model semakin relevan dalam bidang kesehatan, khususnya pada domain gizi anak, seiring dengan kompleksitas penanganan malnutrisi dan keterbatasan proses asesmen gizi yang masih banyak dilakukan secara manual. Penelitian ini mengusulkan pemanfaatan Synthetic Context Generation untuk membangun basis pengetahuan domain-spesifik yang diintegrasikan ke dalam arsitektur Retrieval-Augmented Generation. Konteks sintetis dibentuk dari pasangan pertanyaan dan jawaban menggunakan strategi prompting zero-shot dan few-shot, kemudian diindeks sebagai sumber retrieval. Kualitas konteks dievaluasi menggunakan metrik BLEU, ROUGE, dan BERTScore, sedangkan performa sistem Question Answering dievaluasi menggunakan kerangka RAGAS. Hasil evaluasi menunjukkan bahwa konteks sintetis memiliki kesamaan semantik yang tinggi dengan data referensi, tercermin dari nilai BERTScore-F1 yang berada di atas 0,8300 pada seluruh skenario, meskipun nilai BLEU dan ROUGE bervariasi akibat perbedaan redaksi dan parafrase. Evaluasi sistem RAG menunjukkan nilai context recall yang tinggi, yaitu berada di atas 0,8700 dan mencapai hingga 0,9600, yang mengindikasikan kemampuan retrieval dalam menyediakan konteks yang relevan secara konsisten. Namun, variasi nilai faithfulness dan answer correctness menunjukkan bahwa kualitas jawaban akhir dipengaruhi oleh pengaturan instruksi pada tahap generasi, di mana restriksi instruksi yang lebih ketat meningkatkan keterikatan jawaban terhadap konteks dan menekan risiko halusinasi, sehingga sistem lebih aman digunakan pada domain kesehatan gizi.]]>
Copyrights © 2026
