Nama Penulis 1 / Program Studi : Fikri Aufaa Zain / Ilmu Komputer Nama Penulis 2 / Program Studi : Adhin Abdallah Muhammad Sidik / Sistem Informasi Judul : Pengembangan Agen Large Language Model dengan Retrieval Augmented Generation untuk Pemantauan Pasien Hemodialisis Pembimbing : Fariz Darari, S.Kom., M.Sc., Ph.D. Amelia Arnis, M.Nurs. Beberapa tahun terakhir ini teknologi chatbot mulai berkembang dengan signifikan. Pada akhir tahun 2022, kita diperkenalkan kepada sebuah Large Language Model (LLM) yang dikembangkan oleh OpenAI, yaitu Generative Pre-trained Transformer (GPT) yang digunakan pada chatbot ChatGPT. Beberapa pihak lain juga mulai mengembangkan model LLM, seperti Llama dari Meta, Palm dan Bard (sekarang Gemini) dari Google, Mistral dari Mistral AI, dan masih banyak lagi. Pemanfaatan model LLM saat ini sudah mulai digunakan sebagai chatbot dikarenakan kemampuannya menghasilkan kalimat layaknya seorang manusia. Salah satu bidang yang berpotensi untuk menggunakan chatbot dengan LLM ini adalah bidang kesehatan. Penelitian ini mengeksplorasi penerapan LLM dalam bidang kesehatan khususnya untuk bidang hemodialisis, dengan fokus pada pengembangan chatbot berbasis agen LLM. Dengan memanfaatkan framework seperti LangChain untuk modifikasi prompt, Retrieval Augmented Generation (RAG) untuk meningkatkan pengetahuan spesifik domain, dan Chroma sebagai vector database untuk menyimpan pengetahuan di bidang hemodialisis dan ginjal, penelitian ini bertujuan untuk menciptakan chatbot yang dapat memantau dan membantu pasien. Hasil dari penelitian ini adalah sebuah framework chatbot berbasis website yang akan menjadi sarana bagi pasien hemodialisis untuk mengakses chatbot. Pada penggunaan prompt, akan menggunakan pendekatan ReAct dan chain-of-thought (CoT) karena pendekatan ini yang paling sesuai untuk sistem agen. Evaluasi utama pada penelitian ini akan menggunakan metrik ROUGE, BLEU, dan SAS untuk sistem chatbot, sedangkan untuk sistem RAG akan menggunakan MAP@3 dan MRR@3. Hasil akhir evaluasi menunjukkan bahwa kemampuan Agen LLM dengan RAG, dapat memberikan hasil yang memuaskan dalam menghasilkan respons yang relevan kepada pasien maupun dalam menjalankan tugasnya. Pada sisi sistem chatbot dan sistem RAG, kemampuan ini memberikan keunggulan dalam memahami konteks percakapan serta memberikan respons yang lebih relevan dan informatif. Penelitian ini telah menunjukkan bahwa LLM dapat dimanfaatkan sebagai chatbot di bidang kesehatan khususnya untuk memantau pasien hemodialisis. Kata kunci: LLM, RAG, agen, chatbot, prompt, ReAct, chain-of-thought, hemodialisis