NUGRAHA, RYAN ABI (2025) IMPLEMENTASI CHATBOT LAYANAN AKADEMIK DENGAN ARSITEKTUR RETRIEVAL-AUGMENTED GENERATION (Studi Kasus: Fakultas Ilmu Komputer Universitas XYZ). S1 thesis, Universitas Mercu Buana Jakarta.
|
Text (HAL COVER)
01 Cover.pdf Download (272kB) | Preview |
|
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (BAB I)
02 Bab 1.pdf Restricted to Registered users only Download (48kB) |
|
|
Text (BAB II)
03 Bab 2.pdf Restricted to Registered users only Download (154kB) |
|
|
Text (BAB III)
04 Bab 3.pdf Restricted to Registered users only Download (311kB) |
|
|
Text (BAB IV)
05 Bab 4.pdf Restricted to Registered users only Download (404kB) |
|
|
Text (BAB V)
06 Bab 5.pdf Restricted to Registered users only Download (28kB) |
|
|
Text (DAFTAR PUSTAKA)
07 Daftar Pustaka.pdf Restricted to Registered users only Download (134kB) |
|
|
Text (LAMPIRAN)
08 Lampiran.pdf Restricted to Registered users only Download (939kB) |
Abstract
Advancements in natural language processing technology have driven the development of more sophisticated and responsive AI-based chatbot applications. This has made the need for quick and accurate access to information increasingly important, especially outside of operational hours. The limitation of time often forces students to contact the campus directly in person or inquire via social media. However, the responses received are often delayed and unresponsive in addressing the questions asked. As a solution to this issue, the researcher proposes an approach through the development of a chatbot application based on Large Language Models (LLM) using a Retrieval-Augmented Generation (RAG) architecture, integrated with the WhatsApp platform to facilitate student access via a familiar communication channel. This chatbot is equipped with features for knowledge data updates, allowing administrators to add new documents and periodically update information based on the latest documents or remove outdated ones, ensuring the data remains relevant and accurate. The approach utilizes publicly available administrative and campus service guides as the knowledge base and combines the generative capabilities of LLMs with a relevant document retrieval system to produce accurate and contextual responses. Testing results show the chatbot achieved a Precision score of 84.19%, Recall of 88.73%, and an F1 Score of 86.28%, highlighting its effectiveness in delivering contextually appropriate answers. The implementation of this chatbot is expected to enhance the efficiency of information retrieval for students. It is hoped that this research will contribute meaningfully to scientific knowledge, open up opportunities for broader application in various fields, and serve as a beneficial alternative communication medium for the university. Kata kunci: Chatbot, LLM, RAG Kemajuan teknologi pemrosesan bahasa alami telah mendorong pengembangan aplikasi chatbot berbasis kecerdasan buatan yang lebih canggih dan responsif. hal ini membuat kebutuhan untuk memperoleh informasi secara cepat dan akurat menjadi suatu hal yang penting, terutama pada saat di luar waktu operasional, keterbatasan waktu ini menyebabkan mahasiswa harus menghubungi pihak kampus secara langsung dikampus atau bertanya melalui media sosial. Namun, respons yang diterima sering terlambat dan tidak responsif dalam memberikan jawaban dari pertanyaan yang diajukan. Sebagai solusi atas permasalahan tersebut, peneliti mengusulkan pendekatan melalui pengembangan aplikasi chatbot berbasis Large Language Models (LLM) dengan arsitektur Retrieval-Augmented Generation (RAG), yang terintegrasi dengan platform WhatsApp untuk memudahkan akses mahasiswa melalui kanal komunikasi yang sudah familiar. Chatbot ini dilengkapi dengan fitur untuk pembaruan data pengetahuan yang memungkinkan administrator menambahkan dokumen baru dan memperbarui informasi secara berkala berdasarkan dokumen terbaru ataupun menghapus dokumen yang sudah tidak relevan lagi, sehingga memastikan data yang disediakan tetap relevan dan akurat. Pendekatan ini memanfaatkan dokumen panduan administrasi dan layanan kampus yang bersifat terbuka sebagai basis data pengetahuan, serta menggabungkan kemampuan generatif LLM dengan sistem pencarian dokumen relevan untuk menghasilkan respons yang tepat dan kontekstual. Hasil pengujian menunjukkan chatbot mencapai skor Precision sebesar 84,19%, Recall 88,73%, dan F1 Score 86,28%, yang menegaskan efektivitasnya dalam memberikan jawaban sesuai konteks pertanyaan pengguna. Implementasi chatbot ini diharapkan dapat meningkatkan efisiensi pencarian informasi bagi mahasiswa. Semoga penelitian ini dapat memberikan kontribusi berarti terhadap ilmu pengetahuan, membuka peluang penerapan luas di berbagai bidang, serta menjadi media alternatif yang bermanfaat bagi pihak kampus. Kata kunci: Chatbot, LLM, RAG.
Actions (login required)
 |
View Item |
