<![CDATA[Chatbot berbasis kecerdasan buatan semakin banyak digunakan dalam layanan kesehatan, namun akurasi respons sering bergantung pada kualitas proses retrieval dalam sistem Retrieval-Augmented Generation (RAG). Penelitian ini membandingkan tiga metode chunking yaitu recursive chunking, semantic chunking, dan Double Pass Merging Chunking pada chatbot RAG untuk rekomendasi terapi nutrisi medis pasien. Pengujian dilakukan menggunakan dataset laporan nutrisi medis dan dievaluasi dengan BLEU, ROUGE, serta metrik RAGAS seperti context precision, context recall, faithfulness, dan answer relevancy. Hasil analisis menunjukkan bahwa Double Pass Merging Chunking memberikan performa terbaik pada 7 dari 8 metrik evaluasi dengan nilai Context Precision (0,5514), Context Recall (0,2721), Faithfulness (0,2381), BLEU (0,9129), ROUGE-1 (0,1117), ROUGE-2 (0,0174), dan ROUGE-L (0,0680). Semantic chunking menunjukkan peningkatan signifikan pada Context Recall (0,2702) dengan selisih 48% dibandingkan recursive chunking. Temuan ini menegaskan bahwa pemilihan metode chunking berpengaruh signifikan terhadap kualitas rekomendasi nutrisi medis yang dihasilkan chatbot berbasis RAG.]]>
Copyrights © 2026
