Perkembangan teknologi kecerdasan buatan membuka peluang dalam pengembangan sistem yang dapat membantu masyarakat memahami kondisi kesehatan secara mandiri berdasarkan keluhan yang dialami. Namun, sebagian besar sistem yang tersedia masih terbatas pada kemampuan klasifikasi penyakit tanpa disertai rekomendasi tindakan medis awal yang relevan dan kontekstual. Penelitian ini bertujuan mengembangkan sistem yang mampu mengklasifikasikan penyakit sekaligus menghasilkan rekomendasi tindakan medis awal berdasarkan keluhan pasien. Sistem yang diusulkan mengintegrasikan model klasifikasi berbasis Machine Learning dengan pendekatan Retrieval-Augmented Generation (RAG). Proses klasifikasi dilakukan menggunakan tiga algoritma, yaitu Random Forest, Logistic Regression, dan Extreme Gradient Boosting (XGBoost), untuk menentukan model dengan performa terbaik. Hasil klasifikasi kemudian digunakan sebagai konteks dalam proses retrieval terhadap knowledge base yang berisi data tanya jawab medis. Informasi yang diperoleh selanjutnya diproses menggunakan Large Language Model (LLM) untuk menghasilkan rekomendasi tindakan medis awal yang lebih relevan dan informatif. Hasil eksperimen menunjukkan bahwa Logistic Regression memberikan performa terbaik dengan nilai accuracy sebesar 0.95, precision sebesar 0.96, recall sebesar 0.95, dan F1-score sebesar 0.95. Sementara itu, modul RAG mampu menghasilkan rekomendasi yang sesuai dengan konteks keluhan pasien, dengan nilai rata-rata BERTScore sebesar 90.68% untuk precision, 85.82% untuk recall, dan 88.14% untuk F1-score. Hasil tersebut menunjukkan bahwa sistem mampu menghasilkan rekomendasi yang memiliki tingkat kesamaan semantik yang tinggi dengan referensi serta mampu menggabungkan proses klasifikasi dan generasi teks secara efektif. Dengan demikian, sistem yang dikembangkan berpotensi menjadi solusi pendukung dalam memberikan informasi dan rekomendasi tindakan medis awal secara lebih akurat, relevan, dan mudah dipahami.