Hasil Pencarian  ::  Simpan CSV :: Kembali

"Perkembangan teknologi pada bidang kesehatan di Indonesia telah menghadirkan layanan konsultasi dengan dokter melalui forum tanya jawab kesehatan. Seiring dengan berjalannya waktu, muncul permasalahan pertanyaan duplikat pada forum. Permasalahan ini perlu ditangani agar dapat mempercepat proses pengembalian jawaban untuk keluhan yang serupa dan menjaga jumlah pertanyaan agar tetap scalable dengan kapasitas dokter penjawab. Namun, pertanyaan duplikat merupakan suatu tantangan tersendiri karena kompleksitas bahasa natural. Penelitian ini memanfaatkan pendekatan Information Retrieval untuk mengidentifikasi pasangan pertanyaan duplikat pada domain ini sebagai suatu pasangan query dan dokumen yang relevan. Setelah melakukan ranking awal menggunakan BM25 sebagai model baseline, performa hasil ranking ditingkatkan melalui proses re-ranking menggunakan model learning-to-rank LambdaMART yang berbasis fitur. Penelitian ini memanfaatkan fitur perhitungan jarak dan similaritas antara pasangan vektor representasi query dan dokumen, yang diperoleh dari model word embeddings dan transformer. Selain itu, diusulkan fitur scoring yang diperoleh dari model Cross Encoder, serta model BM25 yang menjadi model baseline. Penelitian ini juga mengusulkan fitur-fitur yang mempertimbangkan jumlah keywords gagasan utama query yang dikandung dokumen. Evaluasi eksperimen dilakukan menggunakan cross validation dan error analysis, dengan MRR sebagai metrik utama. Performa tertinggi yang dicapai eksperimen adalah MRR senilai 0,951 dengan p value senilai 0,016 yang signifikan terhadap baseline. Dengan demikian, penelitian ini menunjukkan dukungan empiris terhadap peningkatan efektivitas model re-ranking yang diusulkan untuk melakukan identifikasi otomatis terhadap karakteristik query dan dokumen yang relevan, yakni pasangan pertanyaan duplikat dalam konteks ini.

---

The development of technology in the healthcare sector in Indonesia has introduced consultation services with doctors through consumer health forums. Over time, the issue of duplicate questions on these forums emerged. This problem needs to be addressed to accelerate the response process for similar questions and to keep the number of questions scalable with the capacity of the responding doctors. However, duplicate questions present their own challenge due to the complexity of natural language. This study utilizes Information Retrieval approach to identify pairs of duplicate questions in this domain as query and relevant document pairs. After initial ranking using BM25 as the baseline model, the ranking performance is improved through a re-ranking process using the feature-based LambdaMART model. This study leverages features that calculate the distance and similarity between vector representations of the query and document, obtained from word embedding and transformer models. Additionally, scoring features derived from the Cross Encoder model and the BM25 baseline model are proposed. The study also suggests features that consider the number of main idea keywords from the query that is also contained within the document. Experiment evaluation is conducted using cross validation and error analysis, with Mean Reciprocal Rank (MRR) as the primary metric. The highest performance achieved in the experiments is an MRR of 0.951 with a p-value of 0.016, which is significant to the baseline. Thus, this study provides empirical support for the effectiveness of the proposed re-ranking model for automatic identification of the query and relevant document, specifically duplicate question pairs in this context."

"Sistem perolehan pertanyaan serupa diimplementasikan pada banyak situs tanya jawab, khususnya pada forum tanya jawab kesehatan. Implementasi dari sistem pencarian pertanyaan serupa dapat beragam seperti text based retriever dan neural ranker. Permasalahan utama dari neural ranker adalah kurangnya penelitian dalam bahasa indonesia untuk modelnya, khususnya untuk yang menggunakan BERT sebagai model untuk deteksi pertanyaan serupa. Pada penelitian ini akan dicari tahu sejauh apa neural re-ranker BERT dapat memperbaiki kualitas ranking dari text-based retriever jika diterapkan fine-tuning pada model. Model yang digunakan oleh penelitian berupa BERT dan test collection yang digunakan merupakan dataset forum kesehatan yang disusun oleh Nurhayati (2019). Untuk mengetahui sejauh mana model berbasis BERT dapat berguna untuk re-ranking, eksperimen dilakukan pada model pre-trained multilingualBERT, indoBERT, stevenWH, dan distilBERT untuk melihat model yang terbaik untuk di-fine-tune. Penelitian juga mengusulkan dua metode fine-tuning yakni attention mask filter dengan IDF dan freezed layer dengan melakukan freezing pada beberapa layer di dalam BERT. Model dan metode ini kemudian diuji pada beberapa skenario yang telah ditentukan. Hasil dari eksperimen menunjukkan bahwa re-ranker dapat meningkatkan kualitas text based retriever bila di-fine-tune dengan metode dan skenario tertentu.

"Seiring dengan majunya teknologi di Indonesia, banyak layanan kesehatan online yang bermunculan. Pengguna bisa bertanya langsung pada tenaga medis profesional tiap mereka memiliki masalah kesehatan ringan yang tidak membutuhkan janji temu langsung dengan dokter. Sebagai pengguna, tentunya mereka mengharapkan respon yang cepat dari situs yang mereka gunakan, hal ini kedengarannya mustahil dilakukan karena tidak semua tenaga medis profesional yang bekerja pada layanan medis tersebut ada setiap saat memantau semua pertanyaan yang masuk. Namun, hal ini bisa dilakukan dengan cara mencocokan pertanyaan yang baru dimasukkan dan mencari pertanyaan yang sudah pernah ditanyakan di masa lalu yang memiliki persamaan dengan pertanyaan yang baru dimasukkan. Secara singkat, kita bisa mencari duplikat dari pertanyaan yang ditanyakan oleh pengguna dan mengembalikan jawaban dari pertanyaan duplikat tersebut daripada menunggu jawaban langsung dari dokter. Penelitian ini akan menggunakan pendekatan temu balik informasi dalam mendeteksi pertanyaan duplikat yang pernah ditanyakan di masa lalu. Selain itu, penelitian ini juga akan mengkombinasikan ekspansi kata yang dilakukan kepada kueri, dokumen, serta filter kata-kata stopword untuk meningkatkan skor reciprocal-rank dan recall dari model yang digunakan. Hasil penelitian ini menyimpulkan bahwa ekspansi kata yang dilakukan pada kueri serta dokumen tidak menghasilkan skor reciprocal rank dan recall yang lebih baik. Penggunaan word embedding untuk memperbanyak kata stopword yang dihapus dari data mampu menghasilkan skor reciprocal rank yang lebih tinggi meskipun nilainya belum signifikan.

---

With the advancement of technology and internet in Indonesia, many online healthcare services have emerged where users can directly consult with medical professionals if they have minor health issues that do not require an in-person appointment with a doctor. As users, they naturally expect quick responses from the sites they use. This seems impossible to do as not all medical professionals working who are working on these services are always available to monitor every incoming question. However, this can be achieved by matching newly submitted questions with previously asked questions that have similarities. In short, we can search for duplicates of the questions asked by users and return answers from those duplicate questions instead of waiting for a direct response from a doctor. This research will use an information retrieval approach to detect duplicate questions that have been asked in the past. Additionally, this study will combine query expansion, document expansion, and stopwords filtering to improve the reciprocal-rank and recall scores of the model used. This research concludes that query and document expansion do not yield better reciprocal rank and recall scores. On the other hand, using

"Penelitian pada data berbahasa Inggris menemukan bahwa Dense Passage Retriever atau DPR mempunyai keterbatasan dalam hal menangani kondisi out-of-distribution data termasuk out-of-domain data. Saat ini, data latih berbahasa Indonesia yang bisa digunakan untuk melatih DPR cukup terbatas. Semua data latih tersebut berasal dari domain umum yang jika digunakan untuk melatih DPR mungkin menghasilkan performa yang rendah pada data uji dengan domain spesifik. Penelitian ini membandingkan antara performa DPR yang dilatih pada data latih dengan domain berbeda dengan domain data uji dan performa sparse retriever model untuk mengetahui apakah fenomena performa DPR yang tidak terlalu baik pada kondisi out-of-domain data juga terjadi pada bahasa Indonesia. Selain itu, penelitian ini mengevaluasi dua pendekatan untuk memperbaiki performa DPR dan mengatasi permasalahan keterbatasan data latih yakni pendekatan untuk memasukkan informasi exact-term matching kepada DPR dan pendekatan untuk mencoba melatih DPR pada beberapa jenis synthetic dataset berbahasa Indonesia. Hasil eksperimen menunjukkan bahwa performa DPR yang tidak terlalu baik pada data uji out-of-domain juga terjadi pada bahasa Indonesia yang ditunjukkan dengan skor evaluasi DPR yang relatif rendah terhadap skor evaluasi sparse retriever model. Selain itu, salah satu metode pemasukan informasi exact-term matching pada DPR yakni hybrid DPR-sparse retriever model menghasilkan skor BPref yang cenderung lebih baik dibandingkan skor BPref DPR pada seluruh eksperimen. Hasil pengujian pendekatan pelatihan DPR dengan synthetic dataset menunjukkan bahwa DPR yang dilatih dengan synthetic dataset pada penelitian ini menghasilkan skor BPref yang mengimbangi skor BPref DPR yang dilatih dengan data latih yang memang bisa digunakan untuk melatih DPR. Investigasi lebih lanjut pada hasil pengujian tersebut menunjukkan bahwa proses fine-tuning dan faktor domain data latih mungkin bisa mempengaruhi performa DPR. Selain itu, panjang token data latih dan faktor ukuran data latih tidak mempunyai korelasi terhadap performa DPR.

---

Researches on English data found that Dense Passage Retriever (DPR), a neural information retrieval model, has limitation on handling out-of-distribution data, including out-of-domain data. Information retrieval datasets in Indonesian that can be used for training DPR are quite scarce. All of those datasets are open-domain which may produce low model performance when the DPR tested on certain domain-specific dataset. This research compared the DPR performance to sparse retriever model performance to check whether DPR’s lack of performance when it’s tested on out-of-domain also can occur on Indonesian dataset. This research also tested two approaches that might improve DPR performance on that condition and also might overcome the training data scarcity problem that consist of methods to embed exact-term matching information into DPR and DPR fine-tuning on several Indonesian synthetic training datasets. The experiment result shows that DPR’s lack of performance on out-of-domain data also occur in Indonesian dataset which can be shown that all evaluation scores produced by DPR which is trained on out-of-domain training data are lower than any sparse retriever model’s evaluations scores. Result shows that hybrid DPR-sparse retriever model produced relatively higher BPref than DPR BPref. Additionally, result shows that DPR which is fine-tuned on synthetic datasets that were used on this research produced relatively in-par BPref score in compare to BPref score that is produced by DPR which is fine-tuned on training datasets that are inherently can be used to fine-tune DPR. Further investigation on the synthetic dataset training approach results found that fine-tuning process and training data’s domain may affect DPR performance. Additionally, training data token length and training data size don’t have correlation with the DPR performance according to this experiment."

"Penelitian ini bertujuan untuk membahas tanggung jawab aplikasi informasi kesehatan terhadap konsumen maupun calon konsumen Alodokter yang mengalami kerugian akibat autodebet layanan asuransi. Penelitian ini menjawab pertanyaan tentang bagaimana mekanisme hukum, termasuk arbitrase, mediasi, gugatan perdata, dan proses pidana, dapat digunakan untuk menyelesaikan sengketa tersebut. Hasil penelitian menunjukkan bahwa pengguna memiliki hak untuk menempuh mediasi atau arbitrase sesuai dengan Pasal 45 ayat (2) UU Perlindungan Konsumen, mengajukan gugatan perdata berdasarkan Pasal 1365 KUHPerdata, atau melaporkan pelaku usaha secara pidana apabila terbukti mengandung unsur tindak pidana. Penelitian ini menyimpulkan bahwa konsumen memiliki jalur hukum yang kuat untuk menuntut haknya, sementara pelaku usaha wajib bertanggung jawab atas kerugian yang terjadi sesuai dengan ketentuan hukum yang berlaku.

---

This research aims to discuss the responsibility of business actors towards consumers and prospective Alodokter consumers who experience losses due to autodebit insurance services. This research answers the question of how legal mechanisms, including arbitration, mediation, civil suits, and criminal proceedings, can be used to resolve such disputes. The results show that users have the right to pursue mediation or arbitration in accordance with Article 45, paragraph (2), of the Consumer Protection Law, file a civil lawsuit under Article 1365 of the Civil Code, or report the business actor criminally if it is proven to contain elements of a criminal offense. This study concludes that consumers have strong legal channels to claim their rights, while business actors are obliged to be responsible for the losses incurred in accordance with applicable legal provisions. "

"Penelitian ini mengeksplorasi efektivitas penggunaan neural rerankers yang telah dilatih sebelumnya dalam meningkatkan kinerja model berbasis text matching seperti BM25 untuk digunakan dalam deteksi pertanyaan duplikat pada consumer health forum. Studi ini juga meneliti metode agregasi hasil reranking dari berbagai neural rerankers untuk menghasilkan performa yang lebih baik dibandingkan penggunaan reranker individual. Metode reranking pertama menggunakan BM25, diikuti oleh reranking kedua menggunakan model neural seperti cross-encoder/ms-marco-MiniLM-L-12-v2, paraphrase-MiniLM-L6-v2, dan lainnya. Tahap ketiga melibatkan teknik rank fusion seperti Borda Fuse, Condorcet, dan Weighted Combsum. Hasil menunjukkan bahwa kombinasi reranking dengan neural reranker secara signi kan meningkatkan efektivitas model BM25, terutama saat menggunakan teknik rank fusion yang lebih canggih seperti Weighted Combsum. Studi ini menyarankan bahwa agregasi hasil reranking dapat mengatasi kelemahan individual reranker dan memberikan hasil yang lebih konsisten dan efektif. Penelitian ini membuka jalan untuk eksplorasi lebih lanjut dalam optimisasi kombinasi model untuk pencarian informasi yang lebih akurat dan e sien.

---

This study explores the effectiveness of using pre-trained neural rerankers in improving the performance of text matching based models such as BM25 for use in duplicate question detection in textitconsumer health forum. This study also examines the method of aggregating reranking results from various neural rerankers to produce better performance than using individual rerankers. The rst reranking method used BM25, followed by the second reranking using neural models such as cross-encoder/ms-marco-MiniLM-L-12-v2, paraphrase-MiniLM-L6-v2, and others. The third stage involves rank fusion techniques such as BordaFUSE, Condorcet, and Weighted COMBSUM. Results show that the combination of reranking with neural rerankers signi cantly improves the effectiveness of the BM25 model, especially when using more advanced rank fusion techniques such as Weighted COMBSUM. This study suggests that aggregation of reranking results can overcome the weaknesses of individual rerankers and provide more consistent and effective results. This research paves the way for further exploration in model combination optimization for more accurate and ef cient information retrieval."

"Internet adalah media dan sumber informasi yang menawarkan berbagai kemudahan, kecepatan, ketepatan akses dan kemampuan menyediakan berbagai kebutuhan informasi setiap orang, kapan saja, dimana saja dan pada tingkat apa saja. Website adalah semua dokumen berlokasi pada web yang berisi informasi dari suatu organisasi untuk berbagai tujuan dan dapat diakses 24 jam/hari di internet. Informasi adalah data yang telah diolah menjadi sebuah bentuk yang berarti bagi penerimanya dan bermanfaat dalam mengambil keputusan saat ini atau mendatang. Berbagai informasi yang dapat diperoleh melalui Internet antara lain lapangan pekerjaan, kesehatan, berita, komunikasi lewat email, mailing list, dan chating, bahkan artikel-artikel ilmiah dalam berbagai disiplin ilmu, dan lain sebagainya. Penulis tertarik melakukan penelitian dengan tujuan untuk mengetahui manfaat dari teknologi internet di kalangan mahasiswa FKM UI dan FIKES UHAMKA dalam mencari informasi kesehatan. Dalam menganalisis penelitian ini dikaitkan dengan teori-teori mengenai kebutuhan, kemampuan dan pengetahuan gaya hidup dan pengertian internet serta pemanfaatannya. Metode yang digunakan dalam penelitian ini adalah metode survey yang menggunakan pendekatan kuantitatif dengan rancangan cross sectional (potong lintang) yang merupakan penelitian yang ditujukan untuk melihat atau mengetahui hasil dari sebuah kegiatan, yang dilakukan dalam satu waktu tertentu. Penulis mengumpulkan data primer dengan cara menggunakan daftar pertanyaan atau kuesioner yang akan disebarkan oleh peneliti kepada responden yaitu mahasiswa FKM UI dan FIKES UHAMKA. Berdasarkan hasil penelitian, sebagian besar mahasiswa mengetahui tentang teknologi internet secara umumnya (99%). Mahasiswa FKM UI dan FIKES UHAMKA telah memanfaatkan teknologi internet sebagai fasilitas dalam menunjang pendidikan dan penelitiannya. Tingkat pemanfaatan teknologi internet dalam mencari informasi kesehatan pada mahasiswa FKM UI dan FIKES UHAMKA cukup bermanfaat dan sangat dibutuhkan oleh mahasiswa FKM UI dan FIKES UHAMKA."

"Latar belakang: Sindrom ovarium polikistik dapat memberi dampak yang besarterhadap kualitas hidup wanita. Adanya informasi yang cukup dapat mendukungperbaikan gaya hidup dan kemandirian pasien untuk menentukan tatalaksana terapiyang tepat .Akurasi dan presisi suatu informasi yang berasal dari internet masihsangat bervariasi. Diperlukan suatu data tentang kualitas informasi yang beredar diinternet berbahasa Indonesia.Tujuan: Untuk mengetahui gambaran kualitas informasi tatalaksana SOPKberbahasa Indonesia berbasis internet.Metode: Dilakukan pencarian situs internet berbahasa Indonesia dengan kata kuncisindrom ovarium polikistik menggunakan 2 mesin pencari (Google dan Bing).Situs teratas pada hasil pencarian dilakukan penilaian dengan daftar tilikanpenilaian yang sudah dibuat sebelumnya.Hasil: Terdapat 69 situs yang menjadi subjek penelitian. Dalam hal akurasi kontendan kredibilitas, sebagian besar situs memiliki kualitas yang baik. Tidak terdapatperbedaan kualitas situs antara kedua mesin pencari. Situs yang tampil pada 2halaman teratas memiliki kualitas yang lebih baik dibandingkan halaman-halamanberikutnya (p=0,02). Situs edukasi memiliki kualitas informasi yang lebih baik(p=0,05). Situs yang dibuat oleh organisasi yang bergerak di bidang kesehatanmemiliki kualitas informasi yang lebih baik (p=0,04). Situs non komersial memilikikualitas yang lebih baik dibandingkan situs komersial (p=0,01).Kesimpulan: Faktor yang mempengaruhi kualitas informasi kesehatan pada situsadalah ditampilkan pada 2 halaman pertama hasil pencarian, dibuat untuk tujuanedukasi, dibuat oleh organisasi kesehatan, dan bersifat non komersial.

---

Background: Polycystic ovarian syndrome has pronounced quality of life effect onwomen. Sufficien information contribute significant role in lifestyle improvement,as well as patient empowerment. However, data on health information quality inthe internet is limited, especially in Bahasa Indonesia.Objectives: To investigate health information quality about PCOS on the internetin Bahasa Indonesia.Methods: Top website from two separate search engine (Google and Bing) wascollected using keyword of sindrom ovarium polikistik (polycistic ovariansyndrome). Analysis of health information quality on those website was performed.Results: Sixty-nine website were included for analysis. Majority of those websitehave good infromation quality in terms of content accuracy and website credibility.There was no difference in quality between two search engine. Website were foundat top two pages in each search engines have better quality than the latter pages(p=0.02). Educational website had better quality (p=0.05). Website made byhealthcare organization had better quality (p=0.04). Non-commercial website hadbetter information quality (p=0.01).Conclusion: Criteria affecting health information quality in the internet was asfollows: found at top two pages on search engine; educational website; made byhealthcare organization; and non-commercial purpose."

"Tujuan dari penelitian ini untuk mengkaji terkait live agent dan chatbot dan pengaruhnya terhadap customer satisfaction dengan moderasi social presence dengan mengetahui pengaruh dari live agent dan chatbot diharapkan akan berdampak terhadap customer satisfaction platform e-commerce.Jenis penelitian ini adalah explanatory research atau penelitian eksplanatif. Teknik purposive sampling digunakan dalam pemilihan sampel dengan kriteria tertentu. Perhitungan jumlah sampel menggunakan metode Bernoulli yang diperoleh jumlah 300 responden.Hasil penelitian yang diperoleh yaitu semua hipotesa di dalam penelitian ini terbukti. Seluruh variabel independent dalam penelitian ini berpengaruh terhadap variabel dependen secara siginifikan, dan variabel moderasi terbukti memperkuat hubungan antara variabel independent terhadap variabel dependen.

---

The purpose of this study is to examine related to live agents and chatbots and their effect on customer satisfaction with social presence moderation by knowing the influence of live agents and chatbots is expected to have an impact on the customer satisfaction of e-commerce platforms. This type of research is explanatory research or explanatory research. The purposive sampling technique is used in the selection of samples with certain criteria. The calculation of the number of samples using the Bernoulli method obtained the number of 300 respondents. The results of the research obtained are that all hypotheses in this study are proven. All independent variables in this study significantly affect the dependent variables, and the moderation variables affect the independent and dependent variables."