Case study
FemCare — Sistem Rekomendasi Kesehatan Reproduksi Wanita Berbasis Android
Pengembangan aplikasi Android yang membantu pengguna memperoleh rekomendasi penanganan dan edukasi kesehatan reproduksi wanita melalui kombinasi Hybrid Recommendation, Forward Chaining, dan Natural Language Generation.
Context
Keadaan yang membentuk keputusan project
Informasi kesehatan reproduksi wanita sering tersebar di berbagai sumber dan tidak selalu disajikan sesuai dengan kondisi atau kebutuhan pengguna. FemCare dikembangkan untuk menghadirkan pengalaman yang lebih terstruktur melalui rekomendasi, edukasi, pencatatan menstruasi, dan riwayat pengguna dalam satu aplikasi.
Project dikembangkan sebagai aplikasi mobile berbasis Flutter dengan fokus pada sistem rekomendasi. Scope utama mencakup profil pengguna, pencatatan menstruasi, rekomendasi penanganan, edukasi, riwayat rekomendasi, serta penyajian hasil rekomendasi menggunakan bahasa yang lebih natural dan mudah dipahami.
Challenge
Masalah yang perlu dipahami lebih dulu
Tantangan utama adalah menghasilkan rekomendasi yang tidak hanya memiliki kemiripan terhadap kebutuhan pengguna, tetapi juga tetap relevan terhadap kondisi yang dipilih. Sistem perlu menggabungkan beberapa pendekatan rekomendasi dan rule-based reasoning agar hasil yang ditampilkan lebih terarah dibandingkan hanya menggunakan satu metode rekomendasi.
Goals
- 01Menyediakan rekomendasi penanganan kesehatan reproduksi yang relevan terhadap kondisi pengguna.
- 02Menyederhanakan akses pengguna terhadap informasi dan edukasi kesehatan reproduksi melalui aplikasi mobile.
- 03Mengintegrasikan Hybrid Recommendation, Forward Chaining, dan Natural Language Generation dalam satu alur rekomendasi.
Strategy
Keputusan dan trade-off
- 01
Menggunakan Item-Based Collaborative Filtering untuk menghitung kemiripan antar item penanganan berdasarkan pola data yang tersedia dan Content-Based Filtering untuk menyesuaikan rekomendasi dengan karakteristik atau profil pengguna.
- 02
Menggunakan Forward Chaining sebagai lapisan aturan untuk mengevaluasi kondisi pengguna sebelum rekomendasi akhir ditampilkan, kemudian menggunakan Natural Language Generation untuk mengubah hasil sistem menjadi penjelasan yang lebih mudah dibaca.
- 03
Fokus pengembangan diarahkan pada decision-support dan edukasi pengguna. Aplikasi tidak diposisikan sebagai pengganti diagnosis, konsultasi, maupun pemeriksaan oleh tenaga medis profesional.
Implementation
Bagaimana strategi diterjemahkan
Analisis & Perancangan Sistem
Mengidentifikasi kebutuhan aplikasi, menyusun struktur data pengguna dan rekomendasi, merancang alur sistem, serta menentukan integrasi antara Content-Based Filtering, Item-Based Collaborative Filtering, Forward Chaining, dan Natural Language Generation.
Recommendation Engine
Mengimplementasikan mekanisme rekomendasi menggunakan pendekatan hybrid. Item-Based Collaborative Filtering digunakan untuk menemukan keterkaitan antar penanganan, sedangkan Content-Based Filtering digunakan untuk menyesuaikan rekomendasi terhadap profil dan karakteristik pengguna.
Rule-Based Validation
Menerapkan Forward Chaining untuk mengevaluasi rule berdasarkan kondisi yang diberikan pengguna sehingga rekomendasi dapat melewati proses validasi berbasis aturan sebelum ditampilkan.
Natural Language Generation
Mengubah keluaran sistem rekomendasi menjadi narasi yang lebih natural agar pengguna dapat memahami hasil rekomendasi dan informasi pendukung dengan lebih mudah.
Mobile Application
Mengembangkan frontend menggunakan Flutter dengan fitur utama berupa pencatatan haid, rekomendasi, edukasi, riwayat, dan profil pengguna dalam antarmuka mobile yang konsisten.
Validasi & Pengujian
Melakukan pengujian terhadap 15 skenario rekomendasi Item-Based Collaborative Filtering. Evaluasi menghasilkan Precision@5 sebesar 0,20, Hit@5 sebesar 1,00, dan Recall@5 sebesar 1,00.
Outcome
Hasil tanpa klaim yang melampaui bukti
FemCare berhasil menghasilkan aplikasi Android yang mengintegrasikan pencatatan kesehatan reproduksi, edukasi, sistem rekomendasi hybrid, rule-based reasoning, dan Natural Language Generation. Pada evaluasi Item-Based Collaborative Filtering terhadap 15 skenario pengujian, sistem memperoleh Hit@5 dan Recall@5 sebesar 1,00, menunjukkan item relevan berhasil ditemukan pada seluruh skenario pengujian, dengan Precision@5 sebesar 0,20.
- Hit@5
- 1.00
- Diperoleh dari evaluasi 15 skenario rekomendasi pada sistem FemCare.
- Recall@5
- 1.00
- Seluruh item relevan berhasil ditemukan dalam Top-5 pada 15 skenario pengujian.
- Precision@5
- 0.20
- Menunjukkan proporsi item relevan dalam lima rekomendasi teratas berdasarkan hasil evaluasi sistem.
Evidence
- Aplikasi Android FemCare
- Implementasi Hybrid Recommendation
- Implementasi Forward Chaining
- Implementasi Natural Language Generation
- Hasil evaluasi 15 skenario rekomendasi
- Dokumentasi dan laporan pengembangan FemCare
Lessons
- Menggabungkan recommendation engine dengan rule-based reasoning memberikan kontrol yang lebih baik terhadap relevansi rekomendasi dibandingkan hanya bergantung pada similarity score.
- Nilai Hit@5 dan Recall@5 yang tinggi tidak otomatis menunjukkan seluruh item dalam Top-5 relevan. Precision@5 menjadi indikator penting untuk pengembangan ranking dan filtering pada iterasi berikutnya.
- Pengembangan selanjutnya dapat difokuskan pada peningkatan kualitas dataset, personalisasi rekomendasi, evaluasi dengan jumlah pengguna yang lebih besar, serta penguatan aspek keamanan dan privasi data.
Related paths