com
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
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.
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.
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.
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
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.
- 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.
Perancangan pemanfaatan chatbot sebagai asisten virtual pada layanan perbankan di … (Bhakti Prabandyo Wicaksono)
28 ISSN: 2252-8938
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.
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%.
Rata-rata Dirasakan
3.319 3.281 3.253 3.238 3.073 3.023 3.001 2.996
kemudahan untuk digunakan
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
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.
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.
[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
Perancangan pemanfaatan chatbot sebagai asisten virtual pada layanan perbankan di … (Bhakti Prabandyo Wicaksono)