Perpustakaan Digital ITB
Pendidikan kedokteran menuntut penguasaan keterampilan klinis yang baik,
dengan anamnesis atau wawancara medis memegang peranan vital sebagai fondasi
utama dalam penegakan diagnosis. Hal ini sangat krusial dalam bidang oftalmologi,
mengingat sebagian besar diagnosis penyakit mata sangat bergantung pada akurasi
informasi subjektif yang digali dari pasien. Data WHO menunjukkan tingginya
angka gangguan penglihatan global yang dapat dicegah, namun mahasiswa
kedokteran sering kali menghadapi kendala dalam melatih keterampilan anamnesis
akibat terbatasnya akses ke pasien nyata dan mahalnya biaya simulasi
menggunakan Pasien Standar. Kesenjangan ini menciptakan urgensi akan adanya
metode pembelajaran alternatif yang fleksibel, terjangkau, namun tetap realistis.
Penelitian ini bertujuan untuk merancang, membangun, dan mengevaluasi sebuah
prototipe pasien virtual berbasis kecerdasan buatan yang mampu mensimulasikan
interaksi anamnesis secara verbal dalam Bahasa Indonesia. Pendekatan yang
digunakan memanfaatkan teknologi Large Language Models (LLM) sebagai mesin
generasi respons. Namun, penggunaan LLM standar dalam konteks medis memiliki
risiko berupa halusinasi. Untuk mengatasi permasalahan tersebut tanpa
memerlukan sumber daya komputasi yang masif untuk proses fine-tuning,
penelitian ini menerapkan metode Retrieval-Augmented Generation (RAG).
Metode ini memungkinkan model AI untuk mengakses dan merujuk pada basis data
pengetahuan klinis yang tervalidasi sebelum memberikan respons, sehingga
meningkatkan akurasi medis dan menjaga konsistensi skenario kasus.
Sistem dikembangkan dengan mengintegrasikan tiga modul utama dalam sebuah
antarmuka web. Modul pertama adalah pengenalan suara (Speech-to-Text)
menggunakan Web Speech API sebagai mekanisme primer dengan model Whisper
Large v3 Turbo sebagai fallback berbasis server. Modul kedua adalah mesin
pemrosesan logika yang menggabungkan LLM Llama 3.3 70B Versatile dengan
teknik prompt engineering untuk membentuk persona pasien, serta RAG berbasis
ChromaDB untuk memverifikasi konteks medis dari lima skenario kasus
oftalmologi yang dikurasi bersama dokter spesialis mata. Modul ketiga adalah
sintesis suara (Text-to-Speech) menggunakan ElevenLabs Multilingual v2 dengan
konfigurasi suara per karakter untuk menghasilkan respons audio yang natural
ii
menyerupai percakapan pasien nyata. Sistem di-deploy pada infrastruktur cloud dan
dapat diakses secara daring.
Evaluasi dilakukan melalui dua jalur yang saling melengkapi. Evaluasi teknis
kuantitatif menggunakan framework RAGAS dengan LLM judge GPT-OSS 120B
menghasilkan skor faithfulness 0,571 (+66% dari baseline), context recall 0,620
(+64%), dan persona adherence 0,880 (+23%) setelah satu siklus iterasi perbaikan.
Komponen diagnosis judge mencatat akurasi 96,8% dan F1-score 97,3% pada
dataset berlabel 125 sampel. Evaluasi validitas klinis oleh tiga dokter spesialis mata
dari institusi berbeda menghasilkan skor akurasi klinis rata-rata 3,83 dari 4, dan
ketiga validator merekomendasikan sistem untuk digunakan oleh mahasiswa
kedokteran pre-klinik.
Kebaruan penelitian ini terletak pada tiga aspek. Pertama, penggunaan RAG yang
dirancang lebih efisien untuk simulasi medis dalam Bahasa Indonesia, yang masih
jarang dikembangkan dibandingkan sistem berbahasa Inggris. Kedua, penggunaan
framework RAGAS sebagai metode evaluasi otomatis dan reproducible untuk
sistem pasien virtual, yang memberikan kontribusi metodologis bagi penelitian
simulasi klinis berbasis AI. Ketiga, penelitian ini mendokumentasikan temuan
bahwa validitas teknis tinggi belum cukup untuk simulator pendidikan apabila
mekanisme penyampaian informasi tidak sesuai dengan kebutuhan pedagogis,
sehingga evaluasi klinis oleh domain expert tidak dapat digantikan oleh evaluasi
otomatis semata. Penelitian ini menunjukkan bahwa sistem AI dengan arsitektur
yang ringan dan modular dapat mencapai validitas klinis yang memadai sebagai
sarana pelatihan keterampilan anamnesis, khususnya di institusi pendidikan
kedokteran dengan keterbatasan sumber daya komputasi.