ABSTRAK Nama : Christian Halim Program Studi : Ilmu Komputer Judul : Ekstraksi Hubungan Symptom-Disease Pada Sistem Tanya Jawab Bidang Kesehatan Menggunakan Metode Support Vector Machine dan Multi Layer Perceptron Ekstraksi Informasi merupakan suatu pekerjaan dalam bidang pemrosesan bahasa untuk mengubah informasi yang tidak beraturan yang terdapat pada suatu dokumen menjadi suatu informasi yang terstruktur. Salah satu pekerjaan yang ada dalam Ekstraksi Informasi adalah Ekstraksi Hubungan, yaitu sebuah pekerjaan untuk memasangkan entitas-entitas bernama yang ada pada teks dengan sebuah hubungan. Penelitian yang dikerjakan penulis kali ini menggunakan pendekatan pembelajaran mesin supervised dengan model Support Vector Machine (SVM) dan Multi Layer Perceptron (MLP) untuk mengklasifikasikan hubungan "mengindikasikan" antara pasangan entitas Gejala (dianotasikan dengan Symptom) dan Penyakit (dianotasikan dengan Disease) untuk suatu pasangan pertanyaan dan jawaban pada sistem tanya jawab medis, yaitu hubungan yang menyatakan apakah suatu entitas Gejala merupakan gejala dari suatu entitas Penyakit. Dalam penelitian ini, hubungan yang diklasifikasikan oleh penulis hanyalah hubungan "mengindikasikan" antara entitas Gejala dan Penyakit saja, sehingga klasifikasi yang dikerjakan adalah klasifikasi biner. Dalam penelitian ini diusulkan dua buah modul, yaitu modul untuk melakukan ekstraksi hubungan antar pasangan entitas yang berada dalam satu kalimat dan yang terpisah antar kalimat. Untuk model klasifikasi pasangan entitas dalam satu kalimat, model dengan nilai F1 Score terbaik adalah MLP berukuran 3 hidden layer 5 neuron tanpa fitur POS Tag menggunakan teknik penyeimbangan SMOTE dengan nilai F1 Score 0.85 untuk kelas yang tidak berelasi dan 0.76 untuk kelas yang berelasi. Untuk model klasifikasi pasangan entitas yang terpisah antar kalimat, model dengan nilai F1 Score terbaik adalah MLP berukuran 3 hidden layer 5 neuron dengan fitur POS Tag menggunakan teknik penyeimbangan SMOTE dengan nilai F1 Score 0.93 untuk kelas yang tidak berelasi dan 0.40 untuk kelas yang berelasi Kata Kunci: Sistem Tanya Jawab, Ekstraksi Informasi, Ekstraksi Hubungan, Perolehan Informasi vii