SISTEM CHATBOT KESEHATAN MENTAL BERBASIS LLM DENGAN DETEKSI EMOSI DAN RETRIEVAL AUGMENTED GENERATION

Permasalahan kesehatan mental di Indonesia memerlukan sistem dukungan psikologis awal yang mudah diakses, aman, dan bertanggung jawab. Perkembangan Large Language Model (LLM) memungkinkan pengembangan chatbot kesehatan mental yang mampu menghasilkan respons empatik dan kontekstual. Penelitian ini mengusulkan dan mengevaluasi arsitektur hybrid chatbot kesehatan mental berbasis LLM yang mengintegrasikan fine-tuning parameter efisien (QLoRA), user profiling jangka pendek berbasis deteksi emosi, serta Retrieval-Augmented Generation (RAG) untuk meningkatkan kualitas, relevansi, dan keamanan respons. Metodologi penelitian dirancang secara modular dan reprodusibel, meliputi praproses data percakapan kesehatan mental berbahasa Indonesia, fine-tuning LLM menggunakan QLoRA, deteksi emosi berbasis IndoBERT, serta sistem RAG berbasis sentence embedding dan basis data vektor FAISS. Kontribusi masing-masing komponen dievaluasi melalui ablation study bertingkat, sementara kualitas respons diukur menggunakan metrik BLEU, ROUGE-L, METEOR, dan CIDEr, serta diuji melalui evaluasi kualitatif dan safety stress-test. Hasil menunjukkan bahwa meskipun nilai BLEU relatif rendah sebagaimana umum pada sistem dialog terbuka, skor METEOR dan CIDEr yang lebih tinggi mengindikasikan kesesuaian semantik dan relevansi informasi yang kuat. Selain itu, sistem secara konsisten mampu mengenali emosi pengguna, menolak permintaan berisiko, dan menghasilkan respons non-diagnostik yang selaras dengan prinsip AI Safety. Temuan ini menegaskan bahwa arsitektur hybrid LLM–RAG yang diusulkan efektif sebagai sistem pendukung awal kesehatan mental yang kontekstual, aman, dan bertanggung jawab, tanpa dimaksudkan sebagai pengganti layanan profesional.