<![CDATA[Triase merupakan tahap kritis dalam pelayanan kesehatan primer yang menentukan keselamatan pasien, namun pelaksanaannya di puskesmas masih bergantung pada penilaian klinis dan pengalaman perawat sehingga rentan terhadap subjektivitas serta variabilitas antarpetugas. Kesalahan triase berdampak serius: under-triage menunda penanganan pasien kritis, sedangkan over-triage memboroskan sumber daya yang terbatas. Penelitian ini mengembangkan sistem triase cerdas berbasis Natural Language Processing (NLP) melalui fine-tuning model IndoBERT (indobert-base-p1) untuk mengklasifikasikan keluhan pasien berbahasa Indonesia berbentuk teks bebas ke dalam tiga tingkat triase (Hijau, Kuning, Merah), dengan studi kasus di Puskesmas Kuta Utara. Model dilatih pada dataset sintetis seimbang berisi 10.000 keluhan dengan pembagian terstratifikasi 70/15/15 dan kombinasi teknik optimasi berupa dynamic padding, cosine learning rate scheduling dengan warmup, early stopping, label smoothing, serta pembobotan kelas. Model mencapai F1-macro 1,0000 pada test set (1.500 sampel), melampaui target minimum 0,85, dengan waktu pelatihan ±2 menit 51 detik dan tanpa kasus under-triage maupun over-triage. Capaian tersebut dikualifikasi secara jujur karena hanya berlaku pada data sintetis berbasis template, sehingga lebih tepat dibaca sebagai bukti keberhasilan rekayasa fine-tuning daripada ukuran akurasi klinis final. Sistem direkomendasikan diposisikan sebagai alat bantu rekomendasi awal (assistive triage) dengan keputusan akhir tetap pada perawat, dan penelitian lanjutan diarahkan pada uji validitas menyeluruh menggunakan data keluhan riil.]]>
Copyrights © 2026
