Perpustakaan Digital ITB

Sistem penjelasan hasil prediksi risiko diabetes berbasis Explainable Artificial Intelligence (XAI) yang dikembangkan sebelumnya masih bersifat satu arah, sehingga pengguna tidak dapat mengajukan klarifikasi terhadap hasil prediksi. Penggunaan Large Language Model (LLM) tanpa basis pengetahuan eksternal juga berisiko menghasilkan halusinasi informasi medis. Tugas Akhir ini menghadirkan mekanisme Human-in-the-Loop melalui conversational agent yang mengintegrasikan Retrieval-Augmented Generation (RAG) dan XAI untuk mengubah penyampaian hasil prediksi menjadi dialog medis interaktif dan tervalidasi. Sistem dirancang dengan arsitektur Modular RAG, terdiri atas Routing, Retrieval, Memory (hibrida Summary-Buffer), serta Response dan Recommendation Module. Nilai XAI diintegrasikan dinamis ke dalam prompt LLM, dan kualitas jawaban dievaluasi dengan Ragas Framework. Hasil pengujian menunjukkan Endto- End Integration Rate 100% dengan akurasi Query Router 99,17%. Evaluasi Ragas memperoleh Faithfulness 0,8071, Answer Relevancy 0,8597, Context Recall 0,9677, dan Context Precision 0,7994. Strategi memori hibrida menghemat konsumsi token hingga 60,9% dan menurunkan latensi 18,0%. Temuan ini membuktikan pendekatan yang diusulkan mampu menghadirkan dialog eksplanasi risiko diabetes yang akurat, interaktif, dan efisien.