SLEMAN — Tim peneliti dari Program Studi Manajemen Informasi Kesehatan, Departemen Layanan dan Informasi Kesehatan, Sekolah Vokasi Universitas Gadjah Mada (SV UGM) mengembangkan MedContradictID, sebuah pendekatan kecerdasan buatan untuk membantu proses pelabelan data miskonsepsi medis dari pasien secara semi-otomatis. Penelitian yang dilaksanakan dalam skema Hibah Riset dan Pembuatan Artikel Publikasi SV UGM Tahun 2026 ini memasuki tahap pelaporan akhir per Selasa (3/11), dengan hasil berupa purwarupa metode dan korpus data pilot yang masih terus dikembangkan.
Inovasi ini dilatarbelakangi oleh tingginya penggunaan platform konsultasi kesehatan daring yang kini menjadi salah satu kanal utama bagi masyarakat Indonesia dalam mencari informasi medis, terutama bagi pasien dengan keterbatasan akses layanan tatap muka. Namun, di balik kemudahan tersebut, tim peneliti SV UGM menemukan permasalahan nyata: pasien sering kali membawa klaim atau asumsi medis yang kurang tepat saat mengajukan pertanyaan. Pemahaman yang keliru ini umumnya terbentuk dari informasi yang beredar bebas di masyarakat serta rendahnya literasi kesehatan dasar. Riset ini diharapkan dapat mempercepat identifikasi klaim keliru secara efisien, sehingga pada akhirnya turut mendukung peningkatan kualitas informasi kesehatan yang diterima masyarakat luas.
Adapun jalannya rangkaian kegiatan penelitian ini dilakukan melalui beberapa tahapan yang terstruktur. Proses diawali dengan pengumpulan dan kurasi data teks pertanyaan pasien dari platform konsultasi kesehatan daring Alodokter. Setelah data terkumpul, tim merancang pipeline anotasi berbasis ensemble tiga model LLM yang bekerja secara independen dan saling tidak melihat hasil satu sama lain, lalu menggabungkan hasilnya melalui mekanisme pemungutan suara (voting) agar hasil pelabelan lebih dapat dipertanggungjawabkan dibanding mengandalkan satu model saja. Tahap berikutnya adalah uji coba sistem untuk mengidentifikasi klaim keliru pasien dan mencocokkannya dengan koreksi dokter pada percakapan asli. Rangkaian kegiatan ini ditutup dengan evaluasi tingkat kesepakatan antarmodel serta identifikasi keterbatasan metode.
Fokus aktivitas utama dari kegiatan riset ini adalah penerapan teknologi LLM dalam mengekstraksi serta melabeli data percakapan klinis. Alih-alih mengandalkan anotasi manual yang memakan waktu dan sumber daya besar, tim peneliti merancang ensemble beberapa model LLM berbeda untuk saling melakukan cross-check dalam mengenali ragam kontradiksi pernyataan medis. Aktivitas ini menuntut kalibrasi instruksi atau prompt engineering secara berkelanjutan agar sistem mampu memahami konteks tata bahasa medis Indonesia yang kompleks serta ragam istilah awam yang kerap digunakan pasien di lapangan.
Ketua tim peneliti, Dr.techn. Annisa Maulida Ningtyas, S.Kom., M.Eng., menegaskan bahwa teknologi ini dirancang untuk memperkuat, bukan menggeser, keahlian manusia. “Penggunaan LLM dalam proses pelabelan data bukan untuk menggantikan peran pakar, melainkan untuk mempercepat dan membantu proses anotasi yang sangat memakan waktu jika dilakukan sepenuhnya secara manual. Karena satu model AI saja bisa keliru atau bias, kami sengaja membandingkan beberapa model sekaligus agar hasilnya lebih dapat dipercaya,” jelas Annisa. Ia menambahkan bahwa tahap validasi oleh pakar domain spesifik, seperti dietisian untuk topik gizi dan diet merupakan agenda lanjutan yang direncanakan tim untuk menjamin kualitas dan akurasi data secara menyeluruh.
Pada uji coba awal terhadap 130 percakapan konsultasi (2.436 kalimat), tim menemukan bahwa ketiga model LLM yang diujicobakan belum sepenuhnya sepakat satu sama lain dalam mengenali miskonsepsi Dimana salah satu model bahkan menandai hampir separuh percakapan sebagai mengandung miskonsepsi, jauh lebih tinggi dibanding dua model lain. Temuan inilah yang menjadi alasan utama pendekatan ensemble-voting dipilih: dengan menggabungkan suara dari beberapa model, hasil pelabelan akhir menjadi jauh lebih selektif dan dapat dipertanggungjawabkan dibanding bila hanya mengandalkan satu model. Luaran penelitian berupa kerangka kerja anotasi semi-otomatis dan korpus pilot ini diharapkan dapat menjadi fondasi awal bagi pengembangan sistem penyaring misinformasi pada platform kesehatan digital, meski penerapannya pada skala produksi masih memerlukan pengembangan dan validasi lebih lanjut. Metode ini juga dapat dimanfaatkan sebagai referensi studi kasus aplikatif bagi mahasiswa di lingkungan Departemen Layanan dan Informasi Kesehatan, baik di Prodi Sarjana Terapan Manajemen Informasi Kesehatan maupun Magister Terapan Keselamatan dan Kesehatan Kerja.
Inisiatif pengembangan teknologi kesehatan oleh Sekolah Vokasi UGM ini juga memiliki keterkaitan erat dengan Tujuan Pembangunan Berkelanjutan atau Sustainable Development Goals (SDGs). Secara khusus, program ini mendukung pencapaian SDGs pilar ke-3, yaitu Menjamin Kehidupan yang Sehat dan Meningkatkan Kesejahteraan Seluruh Penduduk Semua Usia, melalui pengembangan pendekatan berbasis kecerdasan buatan untuk mendukung literasi kesehatan masyarakat.
Ke depannya, riset yang turut berkolaborasi dengan mitra industri PT Tekno Global Infotama serta melibatkan talenta mahasiswa SV UGM ini berkomitmen untuk terus menyempurnakan metode dan memperluas validasinya — termasuk melibatkan validasi oleh dokter/klinisi dan memperluas data uji ke puluhan ribu percakapan. Tim berharap MedContradictID dapat menjadi fondasi awal bagi pengembangan sistem deteksi miskonsepsi medis yang kelak dapat diadaptasi secara lebih luas pada berbagai ekosistem layanan kesehatan digital di Indonesia.