Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Jurnal Internasional Kecerdasan Buatan IAES (IJ-AI) Jil.

11, No.1, Maret 2022, hlm.23~33
ISSN: 2252-8938, DOI: 10.11591/ijai.v11.i1.pp23-33 23

Perancangan penggunaan chatbot sebagai asisten virtual di bidang perbankan

layanan di Indonesia

Bhakti Prabandyo Wicaksono, Amalia Zahra

Departemen Ilmu Komputer, Program Pascasarjana Binus - Magister Ilmu Komputer, Universitas Bina Nusantara, Jakarta, Indonesia

Info Artikel ABSTRAK

Sejarah artikel: Chatbot adalah program komputer yang dirancang untuk mensimulasikan
komunikasi interaktif kepada pengguna (manusia) melalui teks, audio, atau video.
Diterima 31 Agustus 2021 Saat ini beberapa bank di Indonesia telah mengadopsi teknologi chat dalam layanan
Direvisi 27 Sep 2021 pelanggan. Penerapan kecerdasan buatan dalam layanan nasabah bertujuan untuk
Diterima 12 Okt 2021 mempersiapkan bank menghadapi tantangan industri perbankan 4.0. Selain itu juga
untuk mengatasi permasalahan yang saat ini dihadapi oleh customer service.
Penerapan platform chatbot pada perbankan di Indonesia tidak hanya sekedar plug
Kata kunci: and play, meskipun platform chatbot yang tersedia cukup banyak, antara lain
Platform Rasa, Platform Botika, dan Platform Kata.ai. Namun penelitian ini hanya
Kecerdasan buatan
mengevaluasi dua platform chatbot yaitu Rasa dan Botika, dimana kedua platform
Botika tersebut dinilai belum bisa segera diadopsi oleh perbankan. Pasalnya, penerapan
bot obrolan teknologi perbankan di Indonesia harus mengacu pada peraturan regulasi,
Rasa termasuk terkait kebutuhan lingkungan, bahasa, kecepatan, dan akurasi untuk
memahami maksud pengguna. Oleh karena itu, diperlukan penelitian untuk
menentukan platform chatbot mana yang dapat diterapkan di industri perbankan
tanpa melanggar peraturan perundang-undangan. Dari hasil evaluasi yang
dilakukan dengan metode usability and hedonic motivasi adopsi sistem sistem
(HMSAM), ditemukan bahwa pengguna lebih memilih platform Botika untuk
diterapkan di industri perbankan.

Ini adalah artikel akses terbuka di bawahCC BY-SA lisensi.

Penulis yang sesuai:

Amalia Zahra
Departemen Ilmu Komputer, Program Pascasarjana Binus - Magister Ilmu Komputer, Universitas Bina
Nusantara
Jakarta, Indonesia, 11480 Email:
amalia.zahra@binus.edu

1. PERKENALAN
Qwerty Bank merupakan perseroan terbatas yang bergerak di bidang industri jasa keuangan. Bank Qwerty
fokus pada segmen usaha mikro, kecil dan menengah (UMKM). Saat ini telah tumbuh dan berkembang menjadi bank
yang masuk dalam kelompok bank menengah di Indonesia dari segi aset. Seiring dengan terbukanya peluang dan
peningkatan kemampuan dalam melayani kebutuhan masyarakat luas, Qwerty Bank memperluas bisnisnya ke
segmen komersial dan konsumer. Ketiga segmen tersebut merupakan pilar bisnis Qwerty Bank, dengan layanan
yang didukung sistem pengelolaan dana optimal, teknologi informasi yang andal, kompetensi sumber daya manusia,
dan praktik tata kelola perusahaan yang baik. Landasan ini memungkinkan Qwerty Bank untuk melangkah maju dan
memposisikannya sebagai bank yang kredibel. Beroperasinya Qwerty Bank saat ini didukung oleh lebih dari 425
outlet yang tersebar di 22 provinsi seluruh Indonesia yang terhubung secara real time. Qwerty Bank juga telah
membangun jaringan perbankan mikro yang kini berjumlah 543 outlet, sebagai bagian dari program kemitraan
dengan koperasi dan lembaga keuangan mikro.
Kepuasan dan kepercayaan nasabah dalam menggunakan produk dan jasa bank akan mampu menarik minat
calon pelanggan baru [1]. Pelayanan yang optimal tentunya memberikan citra positif bagi perusahaan

Beranda jurnal: http://ijai.iaescore.com

24 ISSN: 2252-8938

sehingga meningkatkan citra perusahaan di mata pelanggan dan calon pelanggan. Peran tersebut salah satunya dilakukan oleh
petugas yang berhubungan langsung dengan pelanggan, antara lain bagian pemasaran, layanan pelanggan, dan call center. Secara
fungsional, customer service dan call center mempunyai peran yang sama yaitu sebagai perwakilan perusahaan untuk berinteraksi
dengan pelanggan. Secara garis besar perbedaannya terlihat dari media yang digunakan untuk berinteraksi, dimana customer service
menggunakan media tatap muka, sedangkan call center menggunakan media telepon.
Salah satu layanan yang diberikan Qwerty Bank kepada nasabah adalah layanan call center. Sekitar 50% dari
18 layanan pelanggan teratas adalah layanan informasi. Layanan Call Center memiliki 181 kategori layanan yang bervariasi
baik perbankan maupun kartu kredit. Layanan yang digunakan di Qwerty Bank menggunakan Halo Qwerty 14555 yang
dikelola oleh pihak ketiga dimana bank harus membayar layanan tersebut berdasarkan skema tetap setiap kali jumlah
panggilan kurang dari 150.000. Namun jika per bulan lebih dari 150.000 panggilan, biayanya menjadi 2.750 per panggilan.

Terdapat tren penurunan jumlah trafik panggilan dari tahun ke tahun, namun hal tersebut tidak berbanding lurus
dengan biaya yang dikeluarkan untuk layanan call center Halo Qwerty 14555 setiap tahunnya. Salah satunya terlihat pada
tahun 2018, rata-rata jumlah layanan call center mengalami penurunan yang cukup signifikan. Jika dilihat dari segi
pelayanan, hal ini dapat diartikan sebagai suatu hal yang positif bagi perusahaan, karena menandakan berkurangnya jumlah
keluhan nasabah terhadap layanan Bank Qwerty. Namun hal ini berbanding terbalik dari segi biaya. Dengan rata-rata
115.776 panggilan per bulan, maka biaya yang dikeluarkan untuk fasilitas call center setiap bulannya adalah Rp
625.000.000,00, atau dalam setahun sekitar Rp 7.500.000.000,00. Jika dilihat dari biaya per panggilannya akan semakin
terlihat semakin mahal setiap tahunnya jika dibandingkan dengan biaya per panggilan sebesar Rp 2.750,00 jika jumlah
panggilan mencapai 150.000 setiap bulannya. Misalnya pada tahun 2017 biaya per panggilan sebesar Rp 2.750,00,
sedangkan pada tahun 2018 biaya per panggilan sebesar Rp 5.389,35.
Dengan semakin meningkatnya penggunaan teknologi Chatbot, maka semakin banyak pula platform Chatbot
yang dikembangkan. Hal ini terlihat dengan banyaknya perusahaan teknologi informasi (IT) yang memfokuskan bisnisnya di
bidang Chatbot, seperti Kata.ai (https://kata.ai), Rasa Platform (https://rasa.com ), Botika (https://botika.online), dan
seterusnya. Namun, belum ada satu pun platform Chatbot yang bisa diadopsi dan diimplementasikan langsung oleh
perbankan di Indonesia. Hal ini disebabkan penerapan teknologi informasi pada industri perbankan di Indonesia wajib
mengacu pada peraturan yang dikeluarkan oleh regulator, dalam hal ini Bank Indonesia (BI) dan otoritas jasa keuangan atau
dikenal dengan Otoritas Jasa Keuangan ( OJK). Beberapa regulasi yang dikeluarkan regulator antara lain adanya kewajiban
on-premise. On-Premise secara sederhana berarti harus mengelola infrastruktur secara mandiri, baik hardware, software,
jaringan, dan lain sebagainya. Selain itu, regulator juga mensyaratkan bahwa perangkat lunak yang digunakan adalah milik
Bank dan dilengkapi dengan setidaknya otentikasi dua faktor. Otentikasi dua faktor adalah proses keamanan dimana
pengguna menyediakan dua alat identifikasi, salah satunya biasanya berupa tanda fisik, seperti kartu, dan yang lainnya
biasanya berupa sesuatu yang diingat, seperti kode keamanan [2]. Hal-hal inilah yang menjadi tantangan bagi perbankan di
Indonesia untuk mengadopsi teknologi Chatbot. Tantangan-tantangan ini disebabkan oleh kenyataan bahwa platform
Chatbot yang ada hampir tidak dapat diimplementasikan secara on-premise. Selain itu, sebagian besar dari beberapa
platform Chatbot yang ada masih menggunakan bahasa Inggris sebagai basis pengetahuannya, sehingga bahasa yang
digunakan oleh platform Chatbot masih menjadi salah satu kendala yang ditemui mengingat bahasa Indonesia masih
menjadi bahasa utama komunikasi perbankan di Indonesia.

Berdasarkan penjelasan di atas, ada beberapa layanan di perbankan yang bisa tergantikan dengan
mengadopsi teknologi Chatbot. Tulisan ini menguraikan pembahasan terkait platform Chatbot yang dapat
memenuhi persyaratan regulator perbankan di Indonesia. Bisa juga menggunakan bahasa Indonesia sebagai basis
pengetahuannya, dan bagaimana arsitekturnya perlu disesuaikan dengan proses bisnis dan regulasi di industri bank
di Indonesia. Selain itu, pembahasan mengenai evaluasi platform Chatbot juga akan diuraikan dan dianalisis lebih
lanjut.

2. METODE PENELITIAN
Dalam suatu penelitian diperlukan suatu metode. Cara ini dijadikan acuan untuk mendapatkan hasil yang diharapkan. Metode yang digunakan
untuk menyelesaikan makalah ini ditunjukkan pada Gambar 1.

2.1. Pendekatan metodologis

Pendekatan metodologis merupakan pendekatan yang akan dilakukan untuk mendalami topik. Salah satu
pendekatan metodologis yang umum digunakan adalah tinjauan pustaka. Fase ini dibagi menjadi 2 tahap.

2.1.1. Tinjauan Literatur

Pada tahap studi kepustakaan dilakukan dengan cara mengumpulkan dan membaca tulisan-tulisan yang berbentuk artikel
dan jurnal yang berkaitan dengan topik penelitian. Selain itu juga dapat dilakukan dengan berdiskusi dengan ahli
materi. Adapun hal-hal yang dipelajari diantaranya peraturan pemerintah dan Chatbot.

Int J Artif Intell, Vol. 11, No. 1, Maret 2022 : 23-33

Int J Artif Intell ISSN: 2252-8938 25

Gambar 1. Metode penelitian

A. Peraturan Pemerintah
Saat ini perbankan di Indonesia dalam menjalankan segala aktivitasnya harus mematuhi segala peraturan
diterbitkan oleh regulator yaitu Bank Indonesia (BI) dan otoritas jasa keuangan Otoritas Jasa Keuangan (OJK).
Kedua regulator tersebut dalam menyusun aturan perbankan harus mengacu pada aturan lain yang
ditetapkan Pemerintah Indonesia. Yang terbaru adalah aturan mengenai Sistem Elektronik dan Pengelolaan
Transaksi yang tertuang dalam Peraturan Pemerintah Republik Indonesia (PP) no. 71/2019. PP ini secara
umum mengizinkan institusi swasta untuk menggunakan teknologi cloud. Namun belum dijelaskan secara
spesifik data apa saja yang diperbolehkan.
Aturan regulasi terbaru dalam penyelenggaraan transaksi dan sistem elektronik dan digital
pelayanan pada industri perbankan tertuang dalam peraturan otoritas jasa keuangan Peraturan Otoritas Jasa
Keuangan (POJK) Nomor 12/POJK.03/2018 tentang penyelenggaraan layanan perbankan digital, dimana POJK
tersebut tidak mengacu pada PP No.71 Tahun 2019. Secara garis besar POJK tetap mewajibkan setiap penerapan
layanan perbankan digital menggunakan perangkat lunak bank dengan perangkat keras bank atau perangkat keras
nasabah atau calon nasabah. Berbeda halnya dengan Peraturan Bank Indonesia Peraturan Bank Indonesia (PBI)
Nomor 18/40/PBI/2016 tentang Penyelenggaraan Proses Transaksi Pembayaran. Dalam PBI, setiap aplikasi yang
akan digunakan oleh nasabah atau calon nasabah harus didaftarkan dan disetujui oleh Bank Indonesia, dimana
dalam pendaftaran aplikasi atau layanan pelanggan dilengkapi dengan beberapa dokumen pendukung, antara lain
dokumen pengujian (SIT, UAT, dan pengujian keamanan). ).

B. bot obrolan
Chatbot adalah program komputer yang dirancang untuk mensimulasikan percakapan atau komunikasi
interaktif dengan pengguna melalui teks, suara, dan visual. Percakapan yang terjadi antara komputer dengan
manusia merupakan bentuk respon dari program yang telah dideklarasikan pada database program di komputer.
Respon yang dihasilkan merupakan hasil pemindaian kata kunci pada kata atau kalimat dari pengguna dan
menghasilkan respon yang dianggap paling sesuai, atau pola kata yang dianggap paling dekat dari database [3]-[12].
Dalam bahasa sehari-hari, Chatbot adalah sebuah aplikasi atau program komputer yang dirancang untuk meniru
manusia itu sendiri. Keterbatasan yang diambil dari Chatbot adalah dapat meniru komunikasi manusia. Jadi, jika
manusia sedang ngobrol dengan program tersebut, seolah-olah ada dua manusia yang saling berkomunikasi.
Faktanya, manusia berkomunikasi dengan robot. Robot telah dirancang untuk menanggapi segala macam
pertanyaan dan pernyataan yang dimasukkan oleh pengguna. Hal ini terjadi karena sebelumnya telah dideklarasikan
dalam database, berupa entitas kata, pola kalimat, dan berbagai jenis pernyataan dan pertanyaan [13]-[15]. Diagram
komponen Chatbot ditunjukkan pada Gambar 2 [16].
Paket perangkat lunak Chatbot terdiri dari tiga komponen. Komponennya adalah sebagai:
- Responden. Responden adalah antarmuka yang menghubungkan dengan pengguna dan mengontrol masukan yang dibuat
oleh pengguna dan keluaran balasan. Data dari responden akan dikirim ke Classifier.
- Penggolong. Classifier berfungsi untuk menormalkan dan memfilter data yang dikirim dari pengguna. Data yang
dikirimkan oleh pengguna kemudian akan diganti dan dibagi menjadi komponen logis. Pengklasifikasi memindahkan
kalimat yang dinormalisasi ke dalam komponen Graph-master di Chatbot. Pengklasifikasi memproses keluaran
komponen graph-master. Selain itu, pengklasifikasi juga menangani instruksi sintaksis basis data.

Perancangan pemanfaatan chatbot sebagai asisten virtual pada layanan perbankan di … (Bhakti Prabandyo Wicaksono)
26 ISSN: 2252-8938

- Ahli Grafik. Komponen master grafik Chatbot menangani pola yang cocok. Graph-master bertugas untuk
mengelola penyimpanan konten atau bisa dikatakan Graph-master adalah otak dari Chatbot. Graph-
master juga menangani proses pencocokan pola dan algoritma pencocokan pola.

Gambar 2. Komponen Chatbot

2.2. Perkembangan
Tahap pengembangan merupakan tahapan yang dilakukan peneliti untuk mengeksplorasi platform yang ada. Pada fase ini, data-
data yang diperlukan dikumpulkan dan kemudian data tersebut digunakan untuk mengembangkan aplikasi. Ada tiga tahap dalam fase ini,
tahap-tahap tersebut adalah sebagai.

2.2.1. Pengembangan platform botika

Botika merupakan startup dengan produk chatbot atau asisten chat pintar yang bertugas menjawab pertanyaan
dan keluhan pengguna melalui aplikasi chat Facebook Messenger, LINE dan Telegram. Semua pesan yang masuk melalui
aplikasi chat yang terhubung dengan Botika bisa dibalas dari satu tempat. Selain itu, Botika dapat membalas pesan selama
24 jam menggunakan bahasa Indonesia dan memberikan informasi lengkap mengenai produk yang dijual. Oleh karena itu,
peran Botika adalah menggantikan peran customer service yang memiliki keterbatasan waktu dalam membalas pesan dari
pembeli. Selain mempermudah pekerjaan, Botika juga dapat menekan biaya perusahaan untuk layanan pelanggan.

Platform Botika merupakan platform chatbot yang lingkungannya berada di cloud, sehingga seluruh data percakapan
yang terjadi di chatbot nantinya akan disimpan di cloud untuk kebutuhan data analytic. Hal inilah yang menjadi salah satu kendala
dalam penerapan Platform Botika pada industri perbankan di Indonesia, karena peraturan perundang-undangan yang berlaku saat
ini belum secara jelas menyebutkan data apa saja yang dapat disimpan di cloud. Mengembangkan aplikasi Chatbot pada Platform
Botika, diperlukan akses pengguna pada dashboard yang dapat diakses melalui https://botika.online. Setelah berhasil login ke
dashboard, langkah selanjutnya adalah membuat aspek sebagai berikut:
- Negara. State adalah pengaturan yang menentukan posisi Chatbot. Dengan demikian, Chatbot akan mengetahui negara
bagian mana yang akan dituju.
- Tindakan. Action adalah perintah yang dijalankan oleh Chatbot dalam keadaan apa pun yang telah ditentukan dimana menambahkan
perintah menggunakan bahasa pemrograman PHP.
- Transisi. Transisi digunakan untuk mengubah kondisi suatu keadaan dengan tujuan agar Chatbot dapat memproses atau
berpindah ke keadaan lain.
- Integrasi. Fitur Integrasi berfungsi untuk mengintegrasikan bot ke dalam media sosial atau platform web yang
akan dipasangkan. Platform Botika sudah menyediakan fitur untuk memudahkan integrasi Chatbot ke Platform
Chat di media sosial, misalnya WhatsApp, Facebook, Telegram, dan lain sebagainya. Namun penelitian ini
hanya terintegrasi pada webchat yang terintegrasi pada web korporat Qwerty Bank.
- Maksud. Fitur Intent pada Chatbot berfungsi sebagai basis pengetahuan, artinya fitur ini digunakan untuk
mendaftarkan pertanyaan beserta jawabannya. Untuk mendaftar kita bisa menggunakan cara massal (format file csv)
atau satu per satu.
- Melatih niat. Train Intent merupakan fitur pada dashboard Botika. Fitur ini digunakan untuk melakukan proses
data latih, setelah ditambahkan suatu maksud, agar dapat dikenali oleh Bot.
- Maksud Tes. Fitur ini digunakan untuk memastikan bahwa data yang dilatih dapat dikenali oleh Chatbot melalui
pendekatan kesamaan string. Tingkat probabilitas suatu kata atau kalimat yang disampaikan bisa

Int J Artif Intell, Vol. 11, No. 1, Maret 2022 : 23-33

Int J Artif Intell ISSN: 2252-8938 27

diukur dari fitur Test Intents. Misalnya, pengguna mengirimkan kata "Halao". Hasilnya dapat dilihat
pada Gambar 3.
Agar Platform Botika dapat mematuhi peraturan perundang-undangan, diperlukan pengembangan tambahan pada bagian
atas dashboard Botika. Hal ini dilakukan untuk fitur-fitur yang memerlukan data rahasia seperti nomor kartu, nomor
identitas, dan tanggal lahir. Pengembangan tambahan ini dilakukan dengan mengembangkan formulir berbasis web yang
dibuat menggunakan PHP untuk mengirimkan hasilnya ke server Qwerty Bank. Setelahnya, Platform Botika akan
menampilkan link formulir yang akan terbuka setelah pelanggan mengkliknya. Formulir dapat diisi oleh pelanggan atau
calon pelanggan. Dengan begitu, data rahasia tidak akan dikirim dan disimpan di Platform Botika melainkan disimpan di
server yang ada di Pusat Data Qwerty Bank.

Gambar 3. Probabilitas pada platform Botika

2.2.2. Pengembangan platform rasa

Rasa Core dan Rasa Natural Language Understanding (NLU) adalah pustaka Python open source untuk membuat
perangkat lunak percakapan, dengan tujuan menciptakan pembelajaran mesin dan manajemen dialog berbasis pemahaman
bahasa yang dapat dikembangkan oleh pengembang perangkat lunak non-spesialis. Rasa dapat dikembangkan berdasarkan
lingkungan on premise dan menggunakan bahasa pemrograman Python [17]-[23]. Platform Rasa dapat diimplementasikan
pada lingkungan on-premise namun belum dapat diimplementasikan pada industri perbankan di Indonesia, karena
perpustakaan yang digunakan saat ini adalah spacy versi 1.8.2, dimana versi tersebut belum dapat memahami bahasa
Indonesia secara sempurna. Hal ini menjadi kendala dalam penerapan Platform Rasa. Untuk mengembangkan aplikasi
Chatbot pada Platform Rasa diperlukan beberapa software pendukung antara lain Anaconda3, Python3, Rasa Package versi
1.8.1, dan Apache. Perangkat lunak tersebut diinstal di satu lingkungan. Lingkungan yang digunakan memiliki spesifikasi 1
Core, RAM 4 GB, dan hard disk drive (HDD) 100 GB. Setelah software pendukung terinstal, langkah selanjutnya adalah:

- Maksud. Intent merupakan pemetaan pertanyaan yang akan ditanyakan pada chatbot yang dibuat. Niat tersebut
nantinya akan menjadi basis pengetahuan aplikasi chatbot. Untuk mendeskripsikan maksud pada Platform Rasa,
disimpan dalam file berekstensi .yml.
- Konfigurasi. Config merupakan proses konfigurasi komponen-komponen yang dibutuhkan oleh Chatbot. Setiap konfigurasi ditentukan
dalam file dan disimpan dalam format .yml.
- Tindakan. Action adalah file yang berisi pemrograman dengan Python, dimana file tersebut disimpan dalam
format .py. File action merupakan kumpulan perintah yang akan dieksekusi oleh Chatbot, dimana perintah
tersebut didasarkan pada variabel yang telah terdaftar pada file domain. Perintahnya bisa berupa teks respon
atau koneksi ke layanan atau database.
Jika dilihat dari sisi regulasi, tidak ada aturan yang dilanggar dalam penerapan Platform Rasa pada industri
perbankan di Indonesia, karena belum ada regulasi dari regulator yang mewajibkan aplikasi menggunakan bahasa
Indonesia. Namun penerapan chatbot menggunakan Platform Rasa kurang tepat karena mayoritas nasabah Bank
Qwerty adalah orang Indonesia, sehingga akan lebih tepat jika chatbot juga menggunakan bahasa Indonesia. Untuk
itu dilakukan modifikasi pada Platform Rasa dengan mengganti atau menambah pustaka Python yang relevan,
misalnya dengan menambahkan pustaka natural Language Toolkit (NLTK) yang digunakan untuk pemrosesan
bahasa alami seperti klasifikasi, tokenisasi, stemming, penandaan, dan penguraian. Apalagi yang digunakan adalah
perpustakaan Spacy versi lebih baru (minimal versi 2.0) karena sudah mendukung bahasa Indonesia.

2.3. Evaluasi dan hasilkan

Pada tahap evaluasi dan hasil, dilakukan serangkaian pengujian terhadap sistem yang telah dikembangkan sebelumnya.
Hal ini dilakukan untuk mendeteksi kesalahan secara dini, memastikan kemampuan sistem untuk berjalan, dan memvalidasi
kebenaran sistem. Setelah pengujian selesai, langkah selanjutnya adalah mengevaluasi hasilnya.

2.3.1. Platform pengujian botika

Pengujian ini dilakukan dengan metode pengujian Blackbox. Pengujian blackbox adalah metode pengujian
perangkat lunak yang menguji fungsionalitas aplikasi tanpa mengintip struktur internal atau cara kerjanya. Hasil pengujian
tersebut dapat dilihat pada Tabel 1.

Perancangan pemanfaatan chatbot sebagai asisten virtual pada layanan perbankan di … (Bhakti Prabandyo Wicaksono)
28 ISSN: 2252-8938

Tabel 1. Hasil pengujian dari Botika Platform

Fitur Skenario Tes Melangkah Data Hasil yang diharapkan Hasil Lulus/Gagal
1. Salam
2. Pilih “Informasi Saldo”
3. Klik Formulir Nomor kartu:
Akun
Keseimbangan
Menampilkan 4. Input Data (Nomor Kartu Debit, 529******4653
Informasi adalah Kesuksesan Lulus
Keseimbangan Keseimbangan Tanggal Lahir) Tanggal lahir:
Ditampilkan
5. Klik Kirim 2*/0*/1**2
6. Masukkan OTP
7. Klik Kirim
1. Salam
2. Pilih menyimpan informasi
Informasi tentang
3. Pilih “Tabungan”
Tampilkan Produk Produk Tabungan
4. Informasi penghematan: - Kesuksesan Lulus
Informasi
Penghematan
Muncul
A. Fitur dan biaya
Berhasil
B. Fasilitas
C. Keuntungan

2.3.2. Menguji platform rasa

Pengujian blackbox juga digunakan untuk melakukan pengujian pada platform Rasa. Hal ini dilakukan agar hasil
perbandingannya sebanding dengan platform sebelumnya. Untuk pengujian platform Rasa, hasil pengujiannya seperti pada
Tabel 2.

Tabel 2. Hasil istirahat dari Platform Rasa

Fitur Skenario Tes Melangkah Data Hasil yang diharapkan Hasil Lulus/Gagal
1. Salam
Akun
Keseimbangan
Menampilkan Nomor akun:
2. Ketik “Informasi Saldo” Informasi adalah Kesuksesan Lulus
Keseimbangan keseimbangan 4301*****987
3. Ketik Nomor Rekening Ditampilkan
Penghematan Tampilkan produk 1. Salam
informasi 2. Ketik “Informasi Produk”
Informasi tentang
3. Pilih “Tabungan”
Produk Tabungan
4. Informasi penghematan: - Kesuksesan Lulus
Muncul
A. Fitur dan biaya
Berhasil
B. Fasilitas
C. Keuntungan

2.3.3. Evaluasi hasil

Evaluasi dilakukan dengan menggunakan metode usability dan metode hedonic motivasi system adopsi model
(HMSAM). Kedua metode tersebut digunakan untuk memperoleh suatu nilai, dimana nilai tersebut diperoleh dengan cara
memberikan kuesioner kepada minimal 15 orang koresponden dengan tujuan agar hasil yang diperoleh sesuai dengan
maksud dan tujuan yang telah ditentukan. Kegunaan terdiri dari tiga komponen:
- Evaluasi berpikir keras (TA). Pengguna diminta mengutarakan pendapat dan mengungkapkan perasaannya
saat berinteraksi dengan aplikasi.
- Panduan kognitif (CW). Evaluator bekerja melalui serangkaian skenario tugas dan mengajukan sejumlah
pertanyaan dari sudut pandang pengguna.
- Evaluasi heuristik (HE) adalah prinsip yang digunakan untuk mengevaluasi interaksi dan antarmuka suatu sistem atau
aplikasi [24], [25].
Metode HMSAM merupakan model pengukuran suatu sistem yang beradaptasi dengan motivasi hedonis [26]. Motivasi
hedonis mengacu pada pengaruh reseptor kesenangan dan rasa sakit seseorang terhadap kesediaannya untuk bergerak menuju
suatu tujuan atau menjauh dari ancaman.4. Terdapat lima faktor yang menjadi fokus pengukuran dalam HMSAM yaitu persepsi
kegunaan, persepsi kemudahan penggunaan, rasa ingin tahu, kontrol, dan kegembiraan, dimana kelima faktor tersebut akan
mempengaruhi niat perilaku untuk menggunakan dan imersi suatu aplikasi [26]. Dengan demikian, HMSAM memiliki lima aspek yang
mempengaruhi hasil evaluasi. Aspek-aspek tersebut adalah:
- Kegunaan yang dirasakan, digunakan untuk mengukur peningkatan kinerja ketika menggunakan suatu sistem.
- Perceived ease of use, digunakan untuk mengukur kemudahan penggunaan sistem.
- Curiosity, digunakan untuk mengukur sejauh mana suatu sistem dapat meningkatkan rasa ingin tahu pada aspek kognitif.
- Kontrol, digunakan untuk mengukur persepsi pengguna bahwa dirinya diajak berinteraksi oleh sistem.
- Joy, digunakan untuk mengeksplorasi aspek kesenangan pengguna dalam berinteraksi dengan sistem.
Untuk mendapatkan nilai dari masing-masing komponen usability dan HMSAM dilakukan dengan
memberikan kuesioner kepada minimal 15 koresponden. Kuesioner berisi 17 pertanyaan. Komposisinya adalah

Int J Artif Intell, Vol. 11, No. 1, Maret 2022 : 23-33

Int J Artif Intell ISSN: 2252-8938 29

disajikan pada Tabel 3. Koresponden dimintai pendapatnya mengenai aplikasi Chatbot dengan memberikan
pilihan kategori Sangat Setuju (4), Setuju (3), Tidak Setuju (2), dan Sangat Tidak Setuju (1) pada setiap
pertanyaan.

Tabel 3. Cometode kegunaan pertanyaan komposisi dan HMS metode AM

Komponen metode Kuantitas
Panduan Kognitif Evaluasi Kegunaan 5
Berpikir-Aloud (TA) (CW) Kegunaan 6
Evaluasi Heuristik (HE) Kegunaan 6
Kemudahan penggunaan yang HMSAM 4
dirasakan Kegunaan yang dirasakan HMSAM 3
Keingintahuan HMSAM 4
Kontrol HMSAM 4
Sukacita HMSAM 3

3. HASIL DAN PEMBAHASAN

Berdasarkan metodologi yang telah dijelaskan sebelumnya, bagian ini membahas hasil yang dicapai. Dari
segi aplikasi menghasilkan dua aplikasi Chatbot dengan platform berbeda. Untuk membuat perbandingan kedua
platform chatbot lebih komprehensif, dilakukan juga penilaian yang diperoleh dari sisi pengguna. Dua metode yang
digunakan: kegunaan dan metode model adopsi sistem motivasi hedonis (HMSAM). Untuk mendapatkan nilai
masing-masing komponen digunakan metode kuesioner. Kuesioner terdiri dari 17 pernyataan yang ditanyakan
kepada 30 responden. 17 pernyataan tersebut mencakup komponen metode kegunaan dan HMSAM. Tabel 4
menggambarkan hasil 30 responden yang mengisi kuesioner.

Tabel 4. Hasil kuesioner usability dan metode HMSAM

Komponen Komponen dari Botika Rasa
Kegunaan HMSAM
TIDAK
Total Rata-rata Total Rata-rata
1 DIA Kemudahan penggunaan yang dirasakan 104 3.467 93 3.1
2 TA Kemudahan penggunaan yang dirasakan 99 3.3 93 3.1
3 DIA Kontrol 97 3.233 88 2.933
4 DIA Sukacita 92 3.067 83 2.767
5 CW Kemudahan penggunaan yang dirasakan 101 3.367 93 3.1
6 CW Keingintahuan 99 3.3 88 2.933
7 TA Kemudahan penggunaan yang dirasakan 98 3.267 92 3.067
8 DIA Kontrol 93 3.1 85 2.833
9 CW Keingintahuan 107 3.567 99 3.3
10 CW Sukacita 100 3.333 90 3
11 DIA Kegunaan yang dirasakan 92 3.067 85 2.833
12 TA Kegunaan yang dirasakan 102 3.4 94 3.133
13 TA Kegunaan yang dirasakan 102 3.4 96 3.2
14 DIA Kontrol 96 3.2 92 3.067
15 TA Sukacita 92 3.067 89 2.967
16 CW Kontrol 89 2.967 83 2.767
17 CW Keingintahuan 83 2.767 79 2.633

3.1. Uji validitas dan reliabilitas kuesioner

Baik atau tidaknya suatu instrumen penelitian ditentukan oleh validitas dan reliabilitasnya. Validitas
instrumen menyangkut sejauh mana ketepatan pengukuran dalam mengukur apa yang ingin diukur,
sedangkan reliabilitas mempertanyakan sejauh mana suatu pengukuran dapat dipercaya karena
konsistensinya. Instrumen dikatakan valid apabila dapat mengungkapkan data dari variabel secara tepat dan
tidak menyimpang dari keadaan sebenarnya. Suatu instrumen dikatakan reliabel apabila dapat
mengungkapkan data yang dapat dipercaya [27]. Dalam penelitian ini dilakukan uji validitas dan reliabilitas
dengan hasil menunjukkan nilai T tabel (5%, 30) sebesar 1,7. Data dinyatakan valid karena nilai T hitung 17
pernyataan lebih besar dari nilai T tabel. Untuk melakukan uji reliabilitas diperlukan nilai varians, jumlah
varians dan total varians. Varian tersebut diperoleh dari fungsi var untuk seluruh jawaban responden pada
setiap pernyataan. Varians total diperoleh dari penjumlahan seluruh nilai varians. Setelah diperoleh ketiga
nilai tersebut, selanjutnya digunakan untuk menghitung nilai reliabilitas diperoleh nilai sebesar 0,91.

3.2. Metode kegunaan

Hasil pada Tabel 4 kemudian dikelompokkan berdasarkan komponennya, yang disajikan pada Tabel 5. Total
Nilai tersebut diperoleh dari penjumlahan nilai rata-rata pada Tabel 4 menurut komponennya, dimana

Perancangan pemanfaatan chatbot sebagai asisten virtual pada layanan perbankan di … (Bhakti Prabandyo Wicaksono)
30 ISSN: 2252-8938

Hasil pembagian pada kolom Jumlah akan dibagi dengan jumlah soal sesuai komponen, hasil pembagian
ditempatkan pada kolom Rata-rata. Dari Tabel 5, rating pengguna kedua platform Chatbot lebih memilih
platform Botika dibandingkan platform Rasa. Hal ini dapat dibuktikan dari nilai pada kolom Rata-rata dan
Persentase (%) pada kedua platform yang diuji. Untuk komponen TA, pengguna menilai platform Botika
dengan skor 82,15% lebih baik dibandingkan platform Rasa yang memiliki nilai 77,325%. Selanjutnya untuk
komponen CW, platform Botika mempunyai nilai sebesar 80,4% sedangkan platform Rasa mempunyai nilai
sebesar 78,875%. Terakhir, untuk komponen HE, pengguna juga menilai platform Botika lebih tinggi dengan
nilai 79,7% jika dibandingkan dengan platform Rasa yang bernilai 73,05%.

Tabel 5. Hasil perbandingan usability metode

Botika Rasa
Komponen Kegunaan
Total Rata-rata Persentase (%) Total Rata-rata Persentase (%)
TA 16.433 3.286 82.15 15.466 3.093 77.325
CW 19.3 3.216 80.4 17.733 2.955 73.875
DIA 19.133 3.188 79.7 17.533 2.922 73.05

3.3. Model adopsi sistem motivasi hedonis (HMSAM)

Hasil pada Tabel 4 kemudian dikelompokkan berdasarkan komponennya, yang disajikan pada Tabel 6. Dari Tabel
6, terlihat bahwa pengguna menilai platform Botika memiliki nilai lebih tinggi dibandingkan platform Rasa.
Terlihat dari Tabel 7 seluruh komponen HMSAM platform Botika mempunyai nilai yang lebih tinggi.
Komponen Perceived ease of use pada platform Botika bernilai 83,75%, sedangkan pada platform Rasa
bernilai 77,275%. Selanjutnya, komponen manfaat yang dirasakan bernilai 82,2% untuk platform Botika dan
76.275 untuk platform Rasa. Kemudian masing-masing komponen rasa ingin tahu, kendali, dan kegembiraan pada platform
Botika dibandingkan dengan platform Rasa sebesar 80,275% berbanding 73,875%, 78,125% berbanding 72,5%, dan 78,875%
berbanding 72,775%. Dari Tabel 6 kemudian dilakukan perhitungan aritmatika untuk mendapatkan nilai behavioral
instruction to use dan immersion seperti terlihat pada Tabel 7.

Tabel 6. Perbandingan Hasil Metode HMSAM

Botika Rasa
Komponen HMSAM
Total Rata-rata Persentase (%) Total Rata-rata Persentase (%)
Persepsi Kemudahan 13.4 3.35 83,75 12.366 3.091 77.275
Penggunaan Persepsi Kegunaan 9.866 3.288 82.2 9.166 3.055 76.375
Keingintahuan 9.633 3.211 80.275 8.866 2.955 73.875
Kontrol 12.5 3.125 78.125 11.6 2.9 72.5
Sukacita 9.366 3.155 78.875 8.733 2.911 72.775

Tabel 7. Perilaku penemuan HMSAM dalam penggunaan dan perendaman

Botika Rasa
Kemudahan untuk digunakan Kegunaan Keingintahuan Sukacita Kontrol Kemudahan untuk digunakan Kegunaan Keingintahuan Sukacita Kontrol
3.35 3.288 3.211 3.155 3.125 3.091 3.055 2.955 2.911 2.9
Tambahkan Kemudahan yang dirasakan
6.638 6.561 6.505 6.475 6.146 6.046 6.002 5.991
menggunakan

Rata-rata Dirasakan
3.319 3.281 3.253 3.238 3.073 3.023 3.001 2.996
kemudahan untuk digunakan

Niat perilaku untuk menggunakan

Total 9.852 9.097

Perilaku Rata-Rata 3.284 3.032
Persentase
82.1 75.808
Perilaku
Pencelupan
Total 9.771 9.020
Perendaman Rata-Rata 3.257 3.007
Persentase
81.421 75.163
Pencelupan

Tabel 7 menunjukkan bahwa nilai persentase Behavioraltention to use sebesar 82,1% untuk Platform Botika
dan 75,808% untuk Platform Rasa. Nilai ini dipengaruhi oleh nilai kegunaan, rasa ingin tahu, dan kegembiraan yang
dirasakan. Sedangkan untuk nilai Immersion, Platform Botika lebih tinggi dengan nilai 81,421% dibandingkan
Platform Rasa yaitu 75,163%. Nilai pencelupan sangat dipengaruhi oleh rasa ingin tahu, kegembiraan, dan

Int J Artif Intell, Vol. 11, No. 1, Maret 2022 : 23-33

Int J Artif Intell ISSN: 2252-8938 31

komponen kontrol. Dengan melihat nilai pada komponen Behavioraltention to use dan Immersion, berarti pengguna
akan lebih banyak menggunakan teknologi Chatbot ketika Platform Botika diterapkan dibandingkan Platform Rasa
yang diterapkan. Data pada Tabel 8 selanjutnya digunakan untuk mengukur uji signifikansi yaitu “Uji t: dua sampel
dengan asumsi variansi sama”. Hasilnya ditunjukkan pada Tabel 9.
A. Hipotesa
- H0: µ1 = µ2 (Tidak ada perbedaan yang signifikan antara rata-rata evaluasi Botika dan Rasa).
- H1: µ1> µ2 (Terdapat perbedaan yang signifikan antara mean evaluasi Botika dan Rasa).
B. Tingkat Signifikansi (a=5% atau 0,05).
C. Kriteria penerimaan
Terima H0 jika t hitung=t tabel atau p-value > alpha (a) atau Tolak H0 Jika t hitung > t tabel atau p-value=alpha (a).
D. Interpretasi hasil analisis statistik uji hipotesis uji t-test
- Mean adalah nilai rata-rata Output Botika=3,239 dan nilai rata-rata Output Rasa=2,993.
- Variance merupakan nilai variasi Output Botika = 0,0054 dan nilai variasi Output Rasa=0,0046.

- Observasi merupakan jumlah observasi Botika dan Rasa yang masing-masing terdiri dari 10
observasi.
- Pooled Variance merupakan variasi gabungan dari Botika dan Rasa yaitu 0,0050.
- Mean Difference yang dihipotesiskan adalah selisih rata-rata antara Botika dan Rasa, namun untuk
contoh kasus ini diasumsikan tidak ada perbedaan sehingga bernilai “0”.
- df adalah Derajat Kebebasan atau derajat kebebasan yang diperoleh dengan menghitung n1+n2-2 sehingga 8+8-2=14.
- t-stat merupakan nilai t hitung yaitu sebesar 6,951.
- t kritis satu ekor adalah nilai t tabel yaitu 1,761.
- Karena hipotesis menunjukkan satu arah yaitu µ1>µ2 (lebih besar), maka yang dilihat hanya pvalue
dan t tabel (t kritis) pada satu arah yaitu ONE TAIL.
e. Kesimpulan statistik
- t hitung (6,951) > t Tabel (1,761) berarti kita menolak H0 (MENERIMA H1), atau
- p-value (3,3743)>alpha (0,05) berarti kita menolak H0 (TERIMA H1).
- Botika lebih cocok diterapkan berdasarkan perbedaan yang signifikan dengan Rasa.

Tabel 8. Rata-rata komponen HMSAM

TIDAK Komponen HMSAM Botika Rasa
1 Kemudahan penggunaan yang 3.35 3.091
2 dirasakan Kegunaan yang dirasakan 3.288 3.055
3 Keingintahuan 3.211 2.955
4 Kontrol 3.125 2.9
5 Sukacita 3.155 2.911
6 Niat perilaku untuk menggunakan 3.284 3.032
7 Pencelupan 3.257 3.007
8 Semua Komponen 3.239 2.993

Tabel 9. Uji-t: Dua sampel dengan asumsi variansi yang sama

Uji-t: Dua Sampel Dengan Asumsi Varian yang Sama
Variabel 1 Variabel 2
Berarti 3.238571429 2.993
Perbedaan 0,005415102 0,004568857
Pengamatan 8 8
Varians yang Dikumpulkan 0,00499198
Perbedaan Rata-rata yang Dihipotesiskan 0
df 14
t Statistik 6.95138643
P(T<=t) satu sisi 3.37433E-06
t Satu sisi yang kritis 1.761310136
P(T<=t) dua sisi 6.74867E-06
t Dua sisi yang kritis 2.144786688

4. KESIMPULAN
Hasil dari dua metode yang digunakan untuk melakukan pengujian yaitu usability dan HMSAM pada Platform
Botika dan Platform Rasa menunjukkan bahwa pengguna lebih menyukai Platform Botika dari seluruh aspek pengujian.
Hasil ini sekaligus memberikan gambaran mengenai harapan yang ingin dicapai dalam penelitian. Penerapan teknologi
Chatbot di Qwerty Bank setidaknya dapat memberikan layanan baru yang memudahkan nasabah dan nasabah

Perancangan pemanfaatan chatbot sebagai asisten virtual pada layanan perbankan di … (Bhakti Prabandyo Wicaksono)
32 ISSN: 2252-8938

calon pelanggan. Selain itu, dengan diperolehnya Platform Chatbot yang cocok untuk Qwerty Bank, diharapkan kedepannya
seluruh layanan di call center dapat diimplementasikan sehingga Qwerty Bank dapat melakukan penghematan setiap
bulannya untuk biaya Call Center sebesar Rp 625.000.000,00. Selain itu, hasil tersebut juga dapat menjadi acuan bagi
perbankan di Indonesia untuk menerapkan teknologi Chatbot sesuai regulasi. Kedepannya diharapkan dapat membantu
perbankan di Indonesia dalam penerapan Teknologi Chatbot yang dapat digunakan untuk memberikan kemudahan layanan
bagi para nasabahnya. Selain itu, kedepannya Platform Chatbot masih dimungkinkan untuk diimplementasikan untuk fitur-
fitur lain atau bahkan menggantikan layanan pelanggan dan call center secara keseluruhan sehingga dapat mengurangi
biaya operasional. Selain itu juga dapat digunakan sebagai platform untuk mendukung konsep digital banking bahkan
Branchless Banking.

REFERENSI
[1] L. Cui, S. Huang, F. Wei, C. Tan, C. Duan, dan M. Zhou, “SuperAgent: chatbot layanan pelanggan untuk situs web e-commerce,” di
Prosiding ACL 2017, Demonstrasi Sistem, 2017, hal. 97-102, doi: 10.18653/v1/p17-4017.
[2] F. Aloul, S. Zahidi dan W. El-Hajj, "Otentikasi dua faktor menggunakan ponsel,"Konferensi Internasional IEEE/ACS 2009 tentang
Sistem dan Aplikasi Komputer, 2009, hal. 641-644, doi: 10.1109/AICCSA.2009.5069395.
[3] R. Luckin, W. Holmes, M. Griffiths, dan LB Forcier,Kecerdasan dilepaskan: Argumen untuk AI dalam Pendidikan, London: Pendidikan
Pearson, 2016.
[4] ES Khorasani, "Kecerdasan buatan: struktur dan strategi untuk pemecahan masalah yang kompleks,"Komputasi yang Dapat Diskalakan: Latihan dan
Pengalaman, jilid. 9. tidak. 3 tahun 2001.
[5] W. Amek, T. Wiegand, dan K.-R. Müller, “Kecerdasan buatan yang dapat dijelaskan: Memahami, memvisualisasikan, dan menafsirkan model
pembelajaran mendalam,” 2019,arXiv:1708.08296.
[6] P. Glauner, JA Meira, dan R. State, "Pembelajaran mesin untuk aplikasi jaringan pintar berbasis data," diKonferensi IEEE tentang
Teknologi Jaringan Cerdas Inovatif, Asia (ISGT Asia 2018), 2018.
[7] X. Zhu dan AB Goldberg, “Pengantar pembelajaran semi-supervisi,”Kuliah Sintesis tentang Kecerdasan Buatan dan Pembelajaran
Mesin, jilid. 3, tidak. 1, hal.1-130, 2009, doi: 10.2200/S00196ED1V01Y200906AIM006.
[8] K. Morik, B.-E. Kietz, W. Emde, dan S. Wrobel, “Akuisisi Pengetahuan dan Pembelajaran Mesin,” Amerika Serikat: Morgan Kaufmann
Publishers Inc., 1993.
[9] TR Gruber dan PR Cohen, "Desain untuk akuisisi: prinsip desain sistem pengetahuan untuk memfasilitasi akuisisi
pengetahuan,"Jurnal Internasional Studi Manusia-Mesin, jilid. 26, tidak. 2, hal.143-159, 1987, doi: 10.1016/
S0020-7373(87)80088-3.
[10]TCW Lin, "Kecerdasan buatan, keuangan, dan hukum,"Tinjauan Hukum Fordham, jilid. 88, hal.531, 2019.
[11] T. Lalwani, S. Bhalotia, A. Pal, S. Bisen, dan V. Rathod, "Implementasi Sistem Chatbot menggunakan AI dan NLP."Jurnal
Internasional Penelitian Inovatif dalam Ilmu dan Teknologi Komputer (IJIRCST), jilid. 6, tidak. 3, 2013, doi: 10.21276/
ijircst.2018.6.3.2.
[12] SA Abdul-Kader dan JC Woods, "Survei teknik desain chatbot dalam sistem percakapan ucapan,"Jurnal Internasional Ilmu
dan Aplikasi Komputer Tingkat Lanjut (IJACSA), jilid. 6, tidak. 7, 2015, doi: 10.14569/ijacsa.2015.060712.
[13] J. Huang, M. Zhou, dan D. Yang, "Mengekstraksi pengetahuan chatbot dari forum diskusi online," diIJCAI 2007, Prosiding Konferensi
Gabungan Internasional ke-20 tentang Kecerdasan Buatan, 2007, jilid. 7, hal.423-428.
[14] M.Qiudkk., "Obrolan AliMe: Urutan untuk mengurutkan dan mengubah peringkat mesin chatbot berbasis," diProsiding Pertemuan Tahunan
ke-55 Asosiasi Linguistik Komputasi, 2017, jilid. 2, hal.498-503, doi: 10.18653/v1/p17-2079.
[15] I. Hwang, H. Jeon, HR Oh, D. Lee, M. Kim, dan J. Kim "Chatti: platform chatbot percakapan," diLokakarya di Konferensi AAAI Ketiga
Puluh Kedua tentang Kecerdasan Buatan, 2018.
[16] DJ Stoner, L. Ford, dan M. Ricci, "Mensimulasikan komunikasi radio militer menggunakan pengenalan suara dan teknologi chat-
bot,"Perusahaan Titan Orlando, 2004.
[17] T. Bocklisch, J. Faulkner, N. Pawlowski, dan A. Nichol, "Rasa: pemahaman bahasa sumber terbuka dan manajemen dialog," 2017,
arXiv:1712.05181.
[18] A. Conneau, H. Schwenk, L. Barrault, dan Y. Lecun, "Jaringan konvolusional yang sangat dalam untuk pemrosesan bahasa alami," 2016,
arXiv: 1606.01781.
[19] W. Yin, K. Kann, M. Yu, dan H. Schütze, "Studi perbandingan cnn dan rnn untuk pemrosesan bahasa alami," 2017,
arXiv:1702.01923.
[20] MF McTear dan Z. Callejas,Pengembangan aplikasi suara untuk Android, Penerbitan Paket, 2013.
[21] B. Swartout dan Y. Gil, “EXPECT: Representasi Eksplisit untuk Akuisisi Fleksibel,” diProsiding Lokakarya Akuisisi Pengetahuan untuk
Sistem Berbasis Pengetahuan Kesembilan (KAW'95), 1995.
[22] A. Radford, K. Narasimhan, T. Salimans, dan I. Sutskever, "Meningkatkan pemahaman bahasa dengan pra-pelatihan generatif," hal.2-
12, 2018.
[23] D. Braun, AH Mendez, F. Mathhes, dan M. Langen, "Mengevaluasi layanan pemahaman bahasa alami untuk sistem penjawab
pertanyaan percakapan," diProsiding Pertemuan SIGdial Tahunan ke-18 tentang Wacana dan Dialog, 2017, hal.174-185, doi:
10.18653/v1/W17-5522.
[24] D. Quiñones, C. Rusu, dan V. Rusu, "Metodologi untuk mengembangkan heuristik kegunaan/pengalaman pengguna,”Standar dan
Antarmuka Komputer, jilid. 59, hal. 109-129, 2018, doi: 10.1016/j.csi.2018.03.002.
[25] J. Axup, S. Viller dan NJ Bidwell, "Kegunaan prototipe komunikasi kelompok seluler saat bertemu,"Prosiding Simposium
Internasional 2005 tentang Teknologi dan Sistem Kolaboratif, 2005, hal. 24-31, doi: 10.1109/ISCST.2005.1553290.

[26] PB Lowry, JE Gaskin, N. Twyman, B. Hammer, TL Roberts, “Menganggap 'kesenangan dan permainan' dengan serius:
mengusulkan model adopsi sistem motivasi hedonik (HMSAM),”Jurnal Asosiasi Sistem Informasi, jilid. 14, tidak. 11, hal.617-671,
2012, doi: 10.17705/1jais.00347.

Int J Artif Intell, Vol. 11, No. 1, Maret 2022 : 23-33

Int J Artif Intell ISSN: 2252-8938 33

[27] M. Lacity, A. Yan, dan S. Khan, “Review penelitian empiris selama 23 tahun mengenai keputusan dan hasil outsourcing teknologi
informasi,”Prosiding Konferensi Internasional Hawaii ke-50 tentang Ilmu Sistem, 2017, doi: 10.24251/HICSS.2017.632.

BIOGRAFI PENULIS

Bhakti Prabandyo Wicaksono saat ini menyandang gelar Sarjana Teknik

gelar diperoleh dari Universitas Muhammadiyah Jakarta pada tahun 2012. Memulai karir IT
di Industri Perbankan pada tahun 2013, hingga mulai tahun 2019 dipercaya menjadi AVP IT
Department untuk mengepalai Platform Digital dan Analisis Data. Saat ini beliau adalah
mahasiswa pascasarjana Magister Ilmu Komputer di Universitas Bina Nusantara.
Penelitiannya di bidang pemrosesan bahasa alami (NLP). Dapat dihubungi di email:
bhakti.wicaksono@binus.ac.id .

Amalia Zahra adalah dosen Magister Teknologi Informasi Bina

Universitas Nusantara, Indonesia. Beliau memperoleh gelar Sarjana Ilmu Komputer dari Fakultas
Ilmu Komputer Universitas Indonesia (UI) pada tahun 2008. Beliau tidak memiliki gelar Magister.
Ph.D-nya. diperoleh dari School of Computer Science and Informatics, University College Dublin
(UCD), Irlandia pada tahun 2014. Minat penelitiannya mencakup berbagai bidang dalam
teknologi ucapan, seperti pengenalan ucapan, identifikasi bahasa lisan, verifikasi pembicara,
pengenalan emosi ucapan, dan sebagainya pada. Selain itu, ia juga tertarik pada pemrosesan
bahasa alami (NLP), linguistik komputasi, pembelajaran mesin, dan kecerdasan buatan. Beliau
dapat dihubungi melalui email: amalia.zahra@binus.edu .

Perancangan pemanfaatan chatbot sebagai asisten virtual pada layanan perbankan di … (Bhakti Prabandyo Wicaksono)