Perpustakaan Digital ITB

Retrieval-Augmented Generation (RAG) merupakan salah satu pengembangan sistem yang menggabungkan kemampuan information retrieval dengan generative language model. Namun, penerapan RAG pada domain medis masih menghadapi beberapa permasalahan, di antaranya kesulitan dalam memperoleh informasi yang akurat dan terstruktur, serta keterbatasan pemahaman model terhadap hubungan semantik antar entitas medis. Salah satu solusi untuk meningkatkan pemahaman tersebut adalah dengan memanfaatkan Knowledge Graph (KG) yang menyimpan informasi medis dalam bentuk struktur hubungan antar entitas, seperti penyakit, obat, gejala, dan efek samping. Sistem dirancang untuk mampu mengekstraksi informasi dari pertanyaan yang diajukan, melakukan penelusuran jalur yang relevan di dalam KG, serta menghasilkan jawaban yang sesuai dengan bantuan Large Language Model (LLM). Dalam tugas akhir ini, Hetionet digunakan sebagai sumber KG karena kaya akan informasi medis. Selanjutnya, metode Knowledge Graph Embedding (KGE) dengan algoritma RotatE digunakan untuk merepresentasikan KG ke dalam bentuk vektor. Selain itu, proses ekstraksi informasi dari pertanyaan dilakukan menggunakan LLM untuk menentukan strategi penelusuran pada KG. Tugas akhir ini merupakan bagian dari proyek capstone yang terdiri atas dua subtopik besar, yaitu: (1) pembangunan knowledge graph dari karya ilmiah, dan (2) v pemanfaatan KG pada RAG untuk meningkatkan relevansi hasil pencarian informasi. Tugas akhir ini berfokus pada subtopik kedua, yaitu integrasi KG dalam RAG. Hasil pengujian menunjukkan bahwa algoritma RotatE mampu merepresentasikan struktur dan hubungan dalam KG dengan baik, LLM dapat memberikan jalur penelusuran KG yang relevan terhadap pertanyaan, serta integrasi RAG + KG menghasilkan akurasi yang lebih tinggi dibandingkan RAG konvensional. Dengan demikian, dapat disimpulkan bahwa integrasi RAG dengan KG berbasis embedding mampu meningkatkan akurasi jawaban dalam domain medis.