Disusun Oleh:
Nama : Rani Natadian Astuti
NIM : 311710841
Nama
Rani Natadian Astuti
Nim
31 l7l 0841
Program Studi
Teknik Informatika
Judul Skripsi
Pemncangan Aplikasi Teknologi Chatbot UnNk Industri
Komersial 4.0
Mengetahui:
Aswan S. SE.,
M.Kom NIDN. 0426018003
11
PENGESAHAN DEWAN PENGUJI
iii
PERNYATAAN KEASLIAN SKRIPSI
merupakan karya asli saya (kecuali cuplikan dan ringkasan yang masing-masing
telah saya jelaskan sumbemya dan perangkat pendukung seperti web cam
dll). Apabila di kemudian hari, karya saya disinyalir bukan merupakan karya
asli sayq yang disertai dengan buGi-bukti yang cukup, maka saya bersedia untuk
dibatalkan gelar saya beserta hak dan kewajiban yang melekat pada gelar
tersebut. &mikian sumt periyataan ini saya buat dengan sebenamya.
Yang menyatakan
BURUPIAH
IV
v
UCAPAN TERIMAKASIH
Penulis
vi
ABSTRAK
vii
ABSTRACT
viii
DAFTAR ISI
PERSETUJUAN SKRIPSI......................................................................................ii
PENGESAHAN DEWAN PENGUJI.....................................................................iii
PERNYATAAN KEASLIAN SKRIPSI.................................................................iv
PERNYATAAN PERSETUJUAN PUBLIKASI ..Error! Bookmark not defined.
ABSTRAK.............................................................................................................vii
ABSTRACT...........................................................................................................viii
DAFTAR ISI...........................................................................................................ix
DAFTAR GAMBAR..............................................................................................xi
DAFTAR TABEL..................................................................................................xii
BAB I PENDAHULUAN......................................................................................1
1.1 Latar Belakang...........................................................................................1
1.2 Identifikasi Masalah...................................................................................3
1.3 Batasan Masalah........................................................................................3
1.4 Rumusan Masalah......................................................................................3
1.5 Tujuan Penelitian.......................................................................................4
1.6 Manfaat Penelitian.....................................................................................4
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI...............................5
2.1 Tinjauan Pustaka........................................................................................5
2.2 Landasan Teori..........................................................................................8
2.2.1 Artificial Intelligent (AI)................................................................8
2.2.2 Chatbot...........................................................................................9
2.2.3 Natural Language Processing (NLP)..........................................11
2.2.4 Text Mining..................................................................................12
2.2.5 Term Frequency-Inverse Document Frequency (Tf-Idf)..............13
2.2.6 Customer Service.........................................................................18
2.2.7 Node.js.........................................................................................18
2.2.8 LUIS.AI........................................................................................19
2.2.9 MongoDB.....................................................................................19
2.2.10 R Programming............................................................................20
2.2.11 Microsoft Bot Framework............................................................21
2.2.12 Black-box Testing.........................................................................21
ix
2.3 Kerangka Pemikiran................................................................................22
BAB III METODE PENELITIAN........................................................................24
3.1 Objek Penelitian.......................................................................................24
3.2 Sumber Data............................................................................................24
3.3 Variabel Penelitian...................................................................................24
3.4 Metode Pengumpulan Data......................................................................26
3.5 Waktu Penelitian......................................................................................26
3.6 Instrumen Penelitian................................................................................27
3.7 Metode Penelitian....................................................................................28
3.8 Perancangan Program..............................................................................30
BAB IV HASIL DAN PEMBAHASAN...............................................................32
4.1 Rancangan Program Chatbot...................................................................32
4.2 Perhitungan Pembobotan Kata Menggunakan TF-IDF...........................36
4.2.1 Mentransfer Dataset ke dalam Corpus........................................36
4.2.2 Case Folding................................................................................37
4.2.3 Tokenizing (Parsing)....................................................................37
4.2.4 Filtering.......................................................................................38
4.2.5 Analisis Pembobotan TF-IDF......................................................39
4.3 Pengujian Sistem Chatbot........................................................................44
4.3.1 Analisa Hasil Pengujian Sistem Chatbot.....................................64
BAB V PENUTUP................................................................................................65
5.1 Kesimpulan..............................................................................................65
5.2 Saran........................................................................................................65
DAFTAR PUSTAKA............................................................................................66
x
DAFTAR GAMBAR
xi
DAFTAR TABEL
xii
BAB I
PENDAHULUAN
1
2
pengunjung mendapat pesan balasan dalam waktu yang singkat [10]. Kemajuan
artificial intelligent (AI) dapat membantu dan mempermudah dalam menjalankan
bisnis dengan lebih efisien dan menguntungkan [9].
Dalam bisnis perdagangan elektronik atau yang biasa disebut e-commerce,
pelayanan customer service sangat diperlukan dalam melayani pengunjung yang
ingin bertanya terkait layanan yang diberikan oleh e-commerce tersebut baik
berupa barang ataupun jasa [11]. Seperti pada www.bantubuatweb.com yang
merupakan e- commerce yang menyediakan layanan berupa jasa pembuatan web
dan hosting. Seorang customer service harus pandai dalam mencari jalan keluar
untuk menyelesaikan masalah yang dihadapi oleh pelanggan [12]. Namun adanya
keterbatasan dalam pelayanan customer service pada www.bantubuatweb.com
seperti waktu kerja yang tidak 24 jam penuh dan kurang responsifnya dalam
melayani pertanyaan pelanggan yang membuat pelanggan harus menunggu lama
untuk mendapatkan jawaban dari pertanyaan yang diajukan, sehingga dapat
mempengaruhi produktivitas e-commerce tersebut.
Dengan demikian, untuk mengatasi permasalah tersebut maka dibuat
sebuah sistem aplikasi yang dapat digunakan sebagai pengganti customer service
yaitu dengan mengimplementasikan teknologi chatbot. Beberapa tahun terakhir,
chatbot telah meningkatkan layanan customer service [13]. Chatbot dapat
memberikan pelayanan konsumen selama 24 jam penuh serta dapat merespon
pertanyaan pelanggan lebih cepat [9]. Chatbot dihadirkan untuk meng-
efisiensikan sumber daya manusia sehingga dapat meningkatkan kinerja
perusahaan dan mengurangi biaya pengeluaran perusahaan. Metode yang
digunakan dalam penelitian ini yaitu metode Term Frequency-Inverse Document
Frequency (TF-IDF) untuk melakukan pemberian bobot pada setiap kata kunci
dengan kategori yang ada. Terkait dengan uraian yang telah dipaparkan diatas,
maka peneliti tertarik untuk melakukan penelitian dengan judul “Perancangan
Aplikasi Teknologi Chatbot Untuk Industri Komersial 4.0”.
1.2 Identifikasi Masalah
Agar permasalahan yang dibahas dalam penelitian ini tidak terlalu luas dan
tidak menyimpang dari tujuan penelitian, maka permasalahan akan dibatasi pada:
1. Penelitian ini terfokus pada perancangan aplikasi teknologi chatbot.
2. Chatbot pada penelitian ini hanya dapat melayani input teks dalam kosakata
bahasa Indonesia.
3. Chatbot ini tidak melayani inputan dalam bentuk perhitungan matematis,
chatbot hanya bisa melayani percakapan dalam bahasa alami dan tidak
menanggapi input yang berupa karakter-karakter khusus.
4. Pengetahuan yang dimiliki chatbot sesuai dengan data yang ada pada data
pertanyaan.
1. Bagi Penulis
Dengan penelitian ini, dapat menambah pengetahuan dan wawasan bagi
peneliti dalam mengimplementasikan ilmu yang sudah didapat selama
perkuliahan.
3. Bagi www.bantubuatweb.com
Dengan adanya pembuatan program chatbot ini dapat meningkatkan
pelayanan kepada pelanggan dalam mencari tahu informasi yang ada pada
www.bantubuatweb.com sesuai dengan kebutuhan pelanggan serta dapat
mengurangi biaya pengeluaran perusahaan.
BAB II
2.2.2 Chatbot
Menurut R. Talib, et al. [25], text mining merupakan suatu proses untuk
mengekstrak pola dalam mengeksplorasi pengetahuan dari sumber data yang
berbentuk teks. Proses text mining dimulai dengan mengumpulkan data dari
berbagai sumber yang tersedia dalam berbagai format file seperti teks biasa,
halaman web, file pdf dan sebagainya. Kemudian melakukan preprocessing dan
pembersihan data dilakukan untuk mendeteksi dan menghapus anomali pada data.
Proses pembersihan harus memastikan untuk menangkap esensi teks sebenarnya
yang tersedia. Pemrosesan dan pengendalian diterapkan untuk mengaudit
kemudian membersihkan data dengan pemrosesan otomatis. Setelah itu dilakukan
analisis pola pada data guna memperoleh informasi yang berharga dan relevan.
Text mining yaitu proses pencarian pola atau panggilan informasi baru.
Tujuan dari text mining adalah menemukan informasi yang penting dari teks
dengan mengubah teks menjadi data yang dapat digunakan untuk analisis yang
lebih lanjut [14]. Secara umum tahapan yang dilakukan pada text mining yaitu
case folding, tokenizing, filtering, dan analiyzing:
1. Case Folding
Case folding merupakan tahapan mengubah seluruh huruf yang ada di dalam
dokumen menjadi huruf kecil, dan hanya huruf ‘a’ sampai ‘z’ yang diterima.
Case folding juga merupakan proses penghilangan karakter selain huruf ‘a’
sampai ‘z’. karakter seperti ‘.’,’;’,’:’ dan lain sebagainya akan dihilangkan
dan dianggap delimiter (pembatas).
2. Tokenizing
Memotong tiap kata dalam kalimat atau parsing dengan menggunakan spasi
sebagai delimiter yang akan menghasilkan token berupa kata.
3. Filtering
Menyaring kata yang didapat dari proses tokenizing yang dianggap tidak
penting atau tidak memiliki makna dalam proses text mining yang disebut
stoplist. Stoplist atau stopword berisi kata-kata umum yang sering muncul
dalam sebuah dokumen dalam jumlah banyak namun tidak memiliki kaitan
dengan tema tertentu. Tiap kata yang diperoleh dari tokenizing akan
dicocokkan dalam kamus stopword di dalam database, jika kata tersebut
cocok dengan salah satu kata dalam stopword maka kata tersebut akan
dihilangkan, sementara yang tidak cocok akan dianggap cocok dan diperoses
ke tahap selanjutnya.
4. Analyzing
Keterhubungan antar kata dalam dokumen akan ditentukan dengan
menghitung frekuensi kata pada dokumen. Tahap analyzing lebih sering
dikenal dengan tahap pembobotan.
Menurut Ria Melita, et al. [26] yang dikutip dari buku yang ditulis oleh
Ronen Feldman dengan judul The Text Mining Handbook: Advanced Approaches
in Analyzing Unstructured Data, text mining dapat didefinisikan secara luas
sebagai suatu proses menggali informasi dimana seorang user berinteraksi dengan
sekumpulan dokumen menggunakan tools analisis yang merupakan komponen-
komponen dalam data mining yang salah satunya adalah kategorisasi.
Dimana:
d : dokumen ke-d
t : kata ke-t dari kata kunci
Wdt : bobot dokumen ke-d terhadap kata ke-t
TF : banyaknya kata yang dicari pada sebuah dokumen
IDF : Invers Document Frequency
Pada Term Frequency (TF) terdapat beberapa jenis formula yang dapat
digunakan [29] yaitu:
1. TF biner (binary TF), hanya memperhatikan apakah suatu kata ada atau tidak
dalam dokumen, jika ada diberi nilai 1 (satu), jika tidak diberi nilai nol.
2. TF murni (raw TF), nilai TF diberikan berdasarkan jumlah kemunculan suatu
kata di dokumen. Contohnya, jika muncul 5 (lima) kali maka kata tersebut
akan bernilai 5 (lima).
3. TF logaritmik, hal ini untuk menghindari dominansi dokumen yang
mengandung sedikit kata dalam query, namun mempunyai frekuensi yang
tinggi.
tf = 1 + log(tf) (2.3)
4. TF normalisasi, menggunakan perbandingan antara frekuensi sebuah kata
dengan jumlah keseluruhan kata pada dokumen.
𝑡𝑓
tf = 0.5 + 0.5 * ( ) (2.4)
max 𝑡𝑓
Dimana:
N : total dokumen
Df : jumlah dokumen yang mengandung term (t)
Dengan demikian rumus umum untuk TF-IDF adalah penggabungan dari
formula perhitungan raw TF dan formula IDF dengan cara mengalikan nilai Term
Frequency (TF) dengan nilai Invers Document Frequency (IDF):
Wdt = TFdt * IDFt
𝑁
Wdt = TFdt * log( ) (2.6)
𝑑𝑓
Dimana:
N : Total dokumen
Wdt : bobot kata (term) ke-t terhadap dokumen ke-d
TF : Jumlah kemunculan kata (term) dalam dokumen
DF : Jumlah dokumen yang mengandung term (minimal
ada satu kaya yaitu term)
2.2.7 Node.js
2.2.8 LUIS.AI
2.2.9 MongoDB
2.2.10 R Programming
Microsoft bot framework adalah salah satu produk dari Microsoft sebagai
penyedia layanan, alat dan memiliki sejumlah komponen termasuk konektor bot,
bot builder SDK dan direktori bot sebagai pendukung untuk memudahkan
pengembang dalam merancang aplikasi bot. Microsoft bot framework
menyediakan berbagai macam channels atau saluran-saluran sebagai alat untuk
berinteraksi antara pengguna dengan sistem chatbot, seperti Skype, Slack, Web,
Telegram dan masih banyak lagi. Bot framework juga menyediakan alat untuk
menguji atau melakukan uji coba terhadap sistem bot yang telah dirancang, ada 2
(dua) cara untuk melakukan pengujian yaitu melakukan pengujian langsung pada
Web Chat yang sudah disediakan atau dengan menggunakan bot framework
emulator yang merupakan perangkat lunak berbasis desktop yang memudahkan
pengembang dalam melakukan eksekusi terhadap sistem yang dibangunnya [39].
Permasalahan
Dibutuhkan teknologi chatbot sebagai customer service dalam
Metode
Term Frequency – Invers Document Frequency (TF-IDF)
Pengembangan
Node.js, Microsoft Bot Framework, Luis.ai, MongoDB
Pengujian
Black-box Testing
Hasil
METODE PENELITIAN
Sumber data dalam penelitian yaitu subjek dimana data tersebut dapat
diperoleh. Sumber data dapat dikelompokan menjadi dua bagian, yaitu sumber
data primer dan data sekunder. Data primer yaitu data yang diperoleh secara
langsung dari sumbernya. Data sekunder yaitu data yang diperoleh peneliti dari
sumber yang sudah ada, misalnya data yang tersusun dalam bentuk dokumen-
dokumen [42]. Sumber data yang digunakan penulis dalam penelitian ini yaitu
data sekunder. Data sekunder yang digunakan berupa pertanyaan-pertanyaan yang
biasa digunakan oleh pelanggan saat bertanya terkait layanan atau produk yang
ditawarkan oleh www.bantubuatweb.com serta data FAQ yang ada pada
www.bantubuatweb.com.
Variabel penelitian adalah suatu atribut atau sifat atau nilai dari orang,
objek atau kegiatan yang mempunyai variasi tertentu yang ditetapkan oleh peneliti
untuk
24
25
Penelitian ini dilaksanakan pada bulan Maret sampai bulan Agustus 2019.
Adapun kegiatan penelitian ini meliputi 3 tahapan utama, yaitu persiapan
penelitian, pelaksanaan penelitian dan tahap penyelesaian penelitian, dengan
perincian sebagai berikut:
Tabel 3.3 Waktu Penelitian
Kegiatan yang dilakukan pada penelitian ini terdiri dari 3 (tiga) tahapan
utama. Pertama yaitu persiapan penelitian yang terlaksana selama 3 (tiga) bulan
mulai dari awal bulan Maret hingga akhir Mei, dimana peneliti melakukan
literatur review terkait penelitian yang sedang di teliti, persiapan penelitian dan
pengumpulan data yang merupakan pola-pola pertanyaan. Kedua yaitu
pelaksanaan penelitian yang dilaksanakan selama 5 (lima) bulan mulai dari
pertengahan bulan April hingga awal bulan Agustus, dimulai dari pengkodingan
atau penulisan program aplikasi chatbot, melakukan perhitungan bobot kata yang
dilanjut dengan pengujian terhadap aplikasi chatbot yang dibangun dan
pembahasan. Tahap terakhir yaitu penyelesaian penelitian yang dilaksanakan
selama 2 (dua) bulan di awal bulan Juli hingga bulan Agustus, dimana pada tahap
ini dilakukan penyusunan laporan hingga penyerahan skripsi.
1. Studi literatur
Pada tahap ini penulis melakukan studi literatur dan mempelajari materi-
materi yang berkaitan dengan penelitian.
2. Pengumpulan data
Pengumpulan data dilakukan dengan cara mengamati pertanyaan-pertanyaan
yang biasa digunakan dalam bertransaksi online khususnya pada
www.bantubuatweb.com.
3. Penulisan program
Setelah data terkumpul dilanjutkan dengan penulisan program aplikasi
chatbot menggunakan Bot Framework dan bahasa pemrograman Node.js
serta Luis.ai sebagai tempat untuk menyimpan data pertanyaan.
4. Perhitungan bobot kata
Pada tahap ini dilakukan perhitungan bobot kata untuk mengetahui skor pada
masing-masing kata dalam dokumen menggunakan metode Term Frequency
– Invers Document Frequency (TF-IDF). Hasil bobot dari perhitungan
metode Tf-Idf digunakan untuk menentukan seberapa penting dan seberapa
umum kata tersebut muncul didalam suatu dokumen. Perhitungan pada tahap
ini menggunakan pemrograman R Studio.
5. Pengujian sistem
Pengujian yang dilakukan pada aplikasi chatbot ialah menggunakan metode
black-box testing. Pengujian black-box merupakan pengujian program
berdasarkan fungsi dari program yang bertujuan untuk menemukan kesalahan
fungsi pada program. Pengujian dengan metode black-box dilakukan dengan
cara memberikan beberapa pertanyaan yang berbeda namun tetap tertuju pada
satu jawaban dan sistem chatbot akan merespon pertanyaan yang diajukan
dengan benar.
6. Hasil
Hasil pada penelitian ini yaitu terbentuknya aplikasi teknologi chatbot.
Adapun yang dimaksud pada pertanyaan-pertanyaan pada point 5 dapat
dilihat pada Tabel 3.4. Dimana pengujian pertanyaan-pertanyaan
dikelompokkan berdasarkan masing-masing kategori yang dapat dilihat pada
Lampiran 1 (Dataset Pertanyaan) dan juga melakukan pengujian dengan
inputan pertanyaan yang salah yang selanjutnya dapat diambil keterangan
hasil pengujian sesuai atau tidak sesuai.
Tabel 3.4 Rencana Pengujian Black-box
Katerogi Pertanyaan Rencana Pengujian Jenis Pengujian
Yang Diuji
Pesan_Custom Menampilkan jawaban tentang informasi Black-box Testing
pemesanan secara khusus (custom)
Promo_Paket Menampilkan jawaban tentang informasi Black-box Testing
promo dan paket
Tentang Menampilkan jawaban terkait informasi Black-box Testing
tentang www.bantubuatweb.com
HostingDomain Menampilkan jawaban tentang informasi Black-box Testing
hosting dan domain
Cara_Pemesanan Menampilkan jawaban tentang informasi Black-box Testing
cara pemesanan
D_Domain Menampilkan jawaban tentang pengertian Black-box Testing
dari domain
Pada bab ini akan membahas mengenai perancangan program chatbot yang
diberi nama RiChat yang dibangun menggunakan bahasa pemrograman Node.js
versi v10.15.0 dan Bot Framework serta Luis.ai (Language Understanding
Intelligent Service). Selanjutnya melakukan perhitungan bobot setiap kata pada
dokumen menggunakan Term Frequency – Invers Document Frequency (TF-
IDF). Hasil dari perhitungan TF-IDF digunakan untuk menentukan seberapa
penting dan seberapa umum kata tersebut muncul didalam suatu dokumen dan
perhitungan menggunakan bahasa pemrograman R. Data yang digunakan pada
penelitian ini yaitu data pertanyaan-pertanyaan terkait www.bantubuatweb.com.
32
33
Pada Gambar 4.3 dapat dilihat bahwa sistem aplikasi chatbot dapat
merespon pertanyaan-pertanyaan yang diinputkan sesuai dengan masing-masing
kategori.
Perancangan aplikasi chatbot pada penelitian ini menggunakan Microsoft
Bot Framework sebagai layanan yang menyediakan tools untuk memudahkan
dalam perancangan bot, serta Luis.ai sebagai platform conversational untuk
menyimpan pengetahuan-pengetahuan dasar terkait data-data pertanyaan yang
akan diimplementasikan pada sistem chatbot. Berikut adalah potongan script
dalam perancangan aplikasi chatbot yang ditulis menggunakan bahasa
pemrograman Node.js, selengkapnya terdapat pada Lampiran 2:
Pada tahap case folding yakni menyeragamkan huruf. Huruf besar pada
dokumen akan diubah menjadi huruf kecil. Berikut adalah script proses pada case
folding:
4.2.4 Filtering
> inspect(corpus_docs[1])
<<SimpleCorpus>>
Metadata: corpus specific: 1, document level (indexed):
0 Content: documents: 1
Pada Gambar 4.11 yaitu proses mengubah data menjadi dokumen matriks
karena jumlah kata dalam korpus berdimensi besar, dan terdapat 60 dokumen dan
57 kata.
inspect(dtm[10:60, 10:57])
<<DocumentTermMatrix (documents: 51, terms: 48)>> Non-/sparse entries: 117/2331
Sparsity: 95% Maximal term length: 12
Weighting: term frequency (tf)
Sample:
Terms
Docs bantubuatweb cara dibuat domain hosting sudah termasuk pembayaran
10 0 0 0 0 0 0 0 0
21 0 0 1 0 0 0 0 0
23 0 0 0 1 1 1 1 0
24 0 0 0 1 1 1 1 0
26 0 0 0 1 1 1 1 0
27 0 1 0 0 0 0 0 0
41 0 0 0 0 0 0 0 0
45 0 0 0 0 0 0 0 0
56 0 0 0 0 0 0 0 0
59 0 0 0 0 0 0 0 0
> inspect(dtm[1,1:57])
<<DocumentTermMatrix (documents: 1, terms:
57)>> Non-/sparse entries: 2/55
Sparsity : 96%
Maximal term length: 12
Weighting : term frequency (tf)
Sample :
Terms
Docs bisa custom konten pesan pilih request sendiri tampilan website
cara 1 1 1 0 0 0 0 0 0
0 0
Gambar 4.13 Sampel Kata Setelah Pengurangan Dimensi Matriks
Perhitungan bobot TF-IDF dimulai dari cleaning jarak perkata, kemudian untuk
melihat hasilnya penulis mengambil contoh dokumen 1 dari baris 1-8 dengan hasil
bobot nilai kata bisa 0.9097139.
inspect(dtm_tfidf[1,1:11])
<<DocumentTermMatrix (documents: 1, terms: 8)>> Non-/sparse entries: 1/7
Sparsity: 88% Maximal term length: 12
Setelah melihat salah satu hasil dari pembobotan kata, kemudian melihat hasil
matriks TF-IDF. Maka yang dihasilkan merupakan reviews tentang 60 pertanyaan
tersebut serta output bobot nilai TF-IDF dokumen tersebut. Berikut merupakan
sampel dari reviews pertanyaan, untuk selengkapnya terdapat pada Lampiran 3.
> reviews = cbind(reviews, as.matrix(dtm_tfidf))
> reviews
Pertanyaan
1 Apa saya bisa custom?
2 Apa saya bisa request untuk tampilan websitenya?
3 Apa saya bisa pilih konten sendiri untuk tampilan website yang saya pesan?
4 Apa saya bisa mendesain website saya sendiri?
5 Apakah saya bisa custom ?
6 Saya bisa pilih sendiri tampilannya tidak?
7 Ada promo?
8 Apa ada promo kalau saya pesan website disini?
9 Promo paket apa saja yang ada disini?
10 Apa ada paket yang lebih hemat?
11 Apakah ada promo?
12 Website apa saja yang bisa dibuat?
13 Apa itu www.bantubuatweb.com?
14 Www.bantubuatweb.com
15 Bantubuatweb.com itu apa sih?
16 Di bantubuatweb.com website apa saja yang bisa dibuat?
17 Apa saja yang ditawarkan di bantubuatweb.com?
18 Website apa saja yang bisa dibuat di bantubuatweb.com?
19 Disini website apa saja yang bisa dibuat?
20 Layanan apa saja yang ditawarkan disini?
Pertanyaan Yang
Dimasukkan Yang Diharapkan Hasil Kesimpulan
Pertanyaan Yang
Dimasukkan Yang Diharapkan Hasil Kesimpulan
PENUTUP
5.1 Kesimpulan
Berdasarkan hasil dari pembahasan pada penelitian ini, maka penulis dapat
mengambil kesimpulan yaitu:
1. Aplikasi teknologi chatbot untuk industri komersial 4.0 berhasil dibangun
yang diberi nama RiChat, dengan demikian chatbot dapat berperan sebagai
customer service dalam melayani pelanggan untuk melakukan tanya jawab
www.bantubuatweb.com, dan
2. Dengan adanya aplikasi teknologi chatbot peran dari customer service dapat
lebih efektif karena aplikasi chatbot dapat menjawab pertanyaan-pertanyaan
yang diajukan oleh pelanggan dengan lebih cepat dan dengan waktu kerja
hingga 24 jam penuh.
5.2 Saran
65
DAFTAR PUSTAKA
66
67
[13] Z. Liu, V. Sinha, Y. Guo, A. Xu, and R. Akkiraju, “A New Chatbot for
Customer Service on Social Media,” no. May, pp. 3506–3510, 2017.
[21] I. Yullia and Y. Harianja, “Implementasi Metode Top Down Parsing pada
Teknologi Bahasa Alamiah dalam Bentuk Chatbot,” MIND J., vol. 1, no. 1,
pp. 51–61, 2016.
[40] D. Dhawan and Heena, “A Study of White Box And Black Box Software
Testing,” J. Emerg. Technol. Innov. Res., vol. 5, no. 6, pp. 679–683, 2018.
71
72
// Input KEY, ID Aplication dan URL Luis.ai yang sudah terdaftar di https://www.luis.ai/
// Untuk memanggil data-data pertanyaan yang sudah dimasukkan didalam Luis.ai
LUIS_APPLICATION_ID = 'f08772e9-4392-4fy7-9aa4-b2102baa899d';
LUIS_SUBSCRIPTION_KEY = '0a4c77fg5eb5494c8c362ccece2f06d';
LUIS_URL = 'https://westus.api.cognitive.microsoft.com/luis/v2.0/apps/'
+LUIS_APPLICATION_ID;
73
74
bot.on('outgoing',function(data){
model.saveSentMessage (data);
console.log('--outgoing message--');
})
Model2.js
// Case folding
> review_corpus = tm_map(review_corpus. content_transformer(tolower))
Warning message:
In tm_map.SimpleCorpus(review_corpus. content_transformer(tolower)) :
transformation drops documents
// Tokenizing
> corpus_docs = tm_map(corpus_docs. removeNumbers)
Warning message:
In tm_map.SimpleCorpus(corpus_docs. removeNumbers) :
transformation drops documents
> corpus_docs = tm_map(corpus_docs. removePunctuation)
Warning message:
In tm_map.SimpleCorpus(corpus_docs. removePunctuation) :
transformation drops documents
// Filtering
> corpus_docs = tm_map(corpus_docs. removeWords.
stopwords(kind = "en"))
Warning message:
In tm_map.SimpleCorpus(corpus_docs. removeWords. stopwords(kind = "en"))
:
transformation drops documents
78
79
Warning message:
In tm_map.SimpleCorpus(corpus_docs. removeWords. c("apa", "yang", :
transformation drops documents
> corpus_docs = tm_map(corpus_docs. stripWhitespace)
Warning message:
In tm_map.SimpleCorpus(corpus_docs. stripWhitespace) :
transformation drops documents
// Melihat hasil
> inspect(corpus_docs[1])
<<SimpleCorpus>>
Metadata: corpus specific: 1, document level (indexed): 0
Content: documents: 1
// Mengubah data menjadi dokumen matrix karena jumlah kata dalam corpus berdimensi
besar
// Wordcloud
> freq = data.frame(sort(colSums(as.matrix(dtm)), decreasing = TRUE))
> wordcloud(rownames(freq), freq[,1], max.words = 50, colors = brewer.pa
l(1, "Dark2"))
// Menghitung TF-IDF
> dtm_tfidf = DocumentTermMatrix(corpus_docs. control = list(weighting
= weightTfIdf))
> dtm_tfidf = removeSparseTerms(dtm_tfidf. 0.95)
> dtm_tfidf
<<DocumentTermMatrix (documents: 60, terms: 11)>>
Non-/sparse entries: 87/573
Sparsity : 87%
Maximal term length: 12
Weighting : term frequency - inverse document frequency (normal
ized) (tf-idf)
> inspect(dtm_tfidf[1,1:11])