<![CDATA[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.]]>
Copyrights © 2026
