OPTIMALISASI KONFIGURASI PIPELINE GUNA MENINGKATKAN AKURASI INTENT DAN ENTITY PADA KONDISI DATA YANG TIDAK SEIMBANG DI CHATBOT REKOMENDASI MOBIL BERBASIS RASA FRAMEWORK

KURNIAWAN, MOCHAMMAD (2026) OPTIMALISASI KONFIGURASI PIPELINE GUNA MENINGKATKAN AKURASI INTENT DAN ENTITY PADA KONDISI DATA YANG TIDAK SEIMBANG DI CHATBOT REKOMENDASI MOBIL BERBASIS RASA FRAMEWORK. S1 thesis, Universitas Mercu Buana Jakarta - Menteng.

	Text (Cover) 41822020028-Mochammad Irfan Kurniawan-01 Cover - ivan.pdf Download (531kB)
	Text (Bab 1) 41822020028-Mochammad Irfan Kurniawan-02 Bab1 - ivan.pdf Restricted to Registered users only Download (103kB)
	Text (Bab 2) 41822020028-Mochammad Irfan Kurniawan-03 Bab 2 - ivan.pdf Restricted to Registered users only Download (398kB)
	Text (Bab 3) 41822020028-Mochammad Irfan Kurniawan-04 Bab 3 - ivan.pdf Restricted to Registered users only Download (232kB)
	Text (Bab 4) 41822020028-Mochammad Irfan Kurniawan-05 Bab 4 - ivan.pdf Restricted to Registered users only Download (629kB)
	Text (Bab 5) 41822020028-Mochammad Irfan Kurniawan-06 Bab 5 - ivan.pdf Restricted to Registered users only Download (40kB)
	Text (Daftar Pustaka) 41822020028-Mochammad Irfan Kurniawan-08 Daftar Pustaka - ivan.pdf Restricted to Registered users only Download (97kB)
	Text (Lampiran) 41822020028-Mochammad Irfan Kurniawan-09 Lampiran - ivan.pdf Restricted to Registered users only Download (450kB)

Abstract

Pertumbuhan pesat industri otomotif Indonesia mendorong kebutuhan akan chatbot rekomendasi mobil yang mampu memahami maksud pengguna secara akurat. Komponen inti dari chatbot tersebut, yaitu Natural Language Understanding (NLU), sering menghadapi tantangan berupa extreme class imbalance, di mana kelas intent dan entity minoritas kurang terwakili dalam data latih sehingga rentan menghasilkan kesalahan interpretasi preferensi pengguna. Penelitian ini bertujuan mengevaluasi secara komparatif tujuh konfigurasi pipeline NLU berbasis framework Rasa dengan DIETClassifier, terdiri atas satu konfigurasi baseline (Default) dan enam konfigurasi eksperimental (TAv1– TAv6), guna mengidentifikasi arsitektur yang paling optimal dalam mengatasi dampak ketidakseimbangan data pada domain rekomendasi otomotif berbahasa Indonesia. Dataset yang digunakan berjumlah 903 kalimat berbahasa Indonesia yang tersebar dalam enam intent dengan rasio ketimpangan antar kelas mencapai 1:16. Evaluasi dilakukan menggunakan 5-fold cross-validation dan diukur berdasarkan empat kriteria (KPI): performa Macro F1-Score agregat, performa pada kelas minoritas, stabilitas model, dan kemampuan generalisasi. Hasil penelitian menunjukkan bahwa konfigurasi TAv6, yang mengintegrasikan LanguageModelFeaturizer berbasis IndoBERT, fitur leksikal, dan RegexEntityExtractor secara sinergis, merupakan satu-satunya konfigurasi yang memenuhi seluruh kriteria KPI (6/6). TAv6 mencatatkan peningkatan signifikan pada F1-Score intent minoritas ask_similar_car dan entitas feature.negated dibandingkan baseline, dengan ukuran efek Cohen's d sebesar +1,1112 (sangat besar) serta stabilitas standar deviasi yang minimal. Temuan ini membuktikan bahwa integrasi representasi semantik kontekstual dan fitur leksikal-aturan secara bersamaan mampu menghasilkan model yang akurat, stabil, dan tahan terhadap ketidakseimbangan data ekstrem. Kata Kunci : NLU, data imbalance, IndoBERT, Optimasi, DIETClassifier

Item Type:	Thesis (S1)
NIM/NIDN Creators:	41822010028
Uncontrolled Keywords:	NLU, data imbalance, IndoBERT, Optimasi, DIETClassifier
Subjects:	000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum
Divisions:	Fakultas Ilmu Komputer > Sistem Informasi
Depositing User:	CLAUDIA ASTRIANI
Date Deposited:	29 Aug 2026 02:05
Last Modified:	29 Aug 2026 02:05
URI:	http://repository.mercubuana.ac.id/id/eprint/103499

Actions (login required)

View Item