<![CDATA[Penelitian ini bertujuan mengembangkan sistem ekstraksi informasi pada dokumen klinis gizi menggunakan pendekatan Named Entity Recognition (NER) berbasis Bidirectional Encoder Representations from Transformers (BERT). Sistem yang dikembangkan dirancang untuk mengidentifikasi dan mengklasifikasikan entitas penting dalam dokumen klinis gizi, meliputi kondisi kesehatan, bahan makanan, kandungan nutrisi, serta informasi pendukung lainnya. Pendekatan ini memungkinkan transformasi data teks tidak terstruktur menjadi informasi terstruktur yang dapat dimanfaatkan dalam analisis klinis dan pengambilan keputusan. Penelitian ini mengevaluasi beberapa model BERT berbahasa Indonesia untuk menentukan model yang paling sesuai pada domain klinis gizi. Proses evaluasi dilakukan melalui perbandingan performa antar model menggunakan metrik precision, recall, dan F1-score, kemudian dilanjutkan dengan proses fine-tuning pada model terpilih untuk meningkatkan kinerja dalam tugas NER. Hasil penelitian menunjukkan bahwa model BERT mampu memberikan performa yang stabil dan efektif, khususnya dalam mengenali entitas dengan jumlah data yang besar. Namun, performa pada entitas dengan distribusi data terbatas masih menunjukkan kekurangan, terutama pada nilai precision. Temuan ini menunjukkan bahwa pendekatan berbasis BERT memiliki potensi yang kuat untuk diterapkan dalam pengolahan dokumen klinis gizi, dengan peluang pengembangan lebih lanjut melalui optimalisasi fine-tuning dan penanganan ketidakseimbangan data.]]>
Copyrights © 2026
