IMPLEMENTASI INDOBERT UNTUK SISTEM TRIASE CERDAS BERBASIS NATURAL LANGUAGE PROCESSING (NLP): STUDI KASUS PUSKESMAS KUTA UTARA
Abstract
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.
Downloads
References
Kemenkes RI, “Peraturan Menteri Kesehatan
Republik Indonesia Nomor 47 Tahun 2018
tentang Pelayanan Kegawatdaruratan,”
Kementerian Kesehatan RI, Jakarta, 2018.
J. S. Hinson, D. A. Martinez, S. Cabral, K.
George, M. Whalen, B. Hansoti, R. H.
Schmicker, H. Semple, and K. R.
Maciejewski, “Triage performance in
emergency medicine: a systematic review,”
Annals of Emergency Medicine, vol. 74, no.
, pp. 140–152, 2018, doi:
1016/j.annemergmed.2018.09.005.
P. Sitthiprawiat, B. Wittayachamnankul, W.
Sirikul, and K. Laohavisudhi, “Development
and internal validation of an AI-based
emergency triage model for predicting critical
outcomes in emergency department,”
Scientific Reports, vol. 15, p. 31212, 2025,
doi: 10.1038/s41598-025-17180-1.
Y.-C. Chang, Y.-C. Li, C.-T. Chen, and C.-C. Lu,
“Using machine learning and natural
language processing in triage for prediction of
clinical disposition in the emergency
department,” BMC Emergency Medicine, vol.
, no. 1, p. 226, 2024, doi: 10.1186/s12873-
-01152-1.
B. Wilie, K. Vincentio, G. I. Winata, S.
Cahyawijaya, X. Li, Z. Y. Lim, S. Soleman,
et al., “IndoNLU: benchmark and resources
for evaluating Indonesian natural language
understanding,” in Proc. 1st Conf. Asia-
Pacific Chapter of the Association for
Computational Linguistics and 10th Int. Joint
Conf. Natural Language Processing, 2020.
H. Liang, B. Y. Tsui, H. Ni, C. C. S. Valentini,
X. Liu, and Z. Han, “Applications of natural
language processing at emergency
department triage: a scoping review,” Journal
of the American Medical Informatics
Association, vol. 31, no. 2, pp. 351–362,
, doi: 10.1093/jamia/ocad212.
J. Devlin, M.-W. Chang, K. Lee, and K.
Toutanova, “BERT: pre-training of deep
bidirectional transformers for language
understanding,” in Proc. 2019 Conf. North
American Chapter of the Association for
Computational Linguistics: Human
Language Technologies (NAACL-HLT),
, pp. 4171–4186, doi: 10.18653/v1/N19-
A. Vaswani, N. Shazeer, N. Parmar, J. Uszkoreit,
L. Jones, A. N. Gomez, L. Kaiser, and I.
Polosukhin, “Attention is all you need,” in
Advances in Neural Information Processing
Systems (NeurIPS), vol. 30, 2017.
J. Dodge, G. Ilharco, R. Schwartz, A. Farhadi, H.
Hajishirzi, and N. A. Smith, “Fine-tuning
pretrained language models: weight
initializations, data orders, and early
stopping,” arXiv preprint, 2020. [Online].
Available: https://arxiv.org/abs/2002.06305
F. Navarro, C. Matos, and R. Salinas,
“Automated triage classification in
emergency services using Spanish clinical
notes: a comparative analysis between
ALBERT and classical machine learning
approaches,” in Advances in Neural
Information Processing Systems (NeurIPS),
A. G. S. Moeslim, E. Firmansyah, and B.
Sutara, “Perbandingan kinerja XGBoost dan
IndoBERT untuk klasifikasi teks kesehatan
bahasa Indonesia,” Data Sciences Indonesia
(DSI), vol. 5, no. 2, pp. 62–72, 2025, doi:
47709/dsi.v5i2.7281.
M. F. R. Sujana, C. A. Goenawan, and M.
Muljono, “Transfer learning using IndoBERT
with long short-term memory classifier for
detection of suicide ideation themed
Indonesian Twitter posts,” in 2024 IEEE
International Conference, 2024, doi:
1109/10747816.
D. Duei Putri, G. F. Nama, dan W. E. Sulistiono,
"Analisis Sentimen Kinerja Dewan
Perwakilan Rakyat (DPR) pada Twitter
Menggunakan Metode Naive Bayes
Classifier," JITET (Jurnal Informatika dan
Teknik Elektro Terapan), vol. 10, no. 1, Jan.
F. Koto, J. H. Lau, dan T. Baldwin,
"IndoBERTweet: A pretrained language
model for Indonesian Twitter with effective
domain-specific vocabulary initialization,"
dalam Proc. 2021 Conf. Empirical Methods
in Natural Language Processing (EMNLP),
L. Rasmy, Y. Xiang, Z. Xie, C. Tao, dan D. Zhi,
"Med-BERT: pretrained contextualized
embeddings on large-scale structured
electronic health records for disease
prediction," npj Digital Medicine, vol. 4, art.
, 2021.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
