BAB I

PENDAHULUAN

1.1. Latar Belakang Masalah

Dalam dunia bisnis dan lapangan kerja yang terus berkembang, proses

wawancara pekerjaan menjadi salah satu tahapan kritis dalam seleksi karyawan

yang tidak bisa diabaikan. Wawancara tidak hanya berfungsi sebagai metode

evaluasi keterampilan dan pengalaman, tetapi juga sebagai kesempatan untuk

menilai kepribadian, kecocokan budaya perusahaan, dan kemampuan interpersonal

calon karyawan.

Wawancara pekerjaan merupakan salah satu fase yang dihadapi oleh para

pencari pekerjaan atau biasa disebut dengan istilah Job Seeker ketika mereka

melamar pekerjaan di suatu perusahaan. Wawancara juga dijadikan sebagai momen

di mana perusahaan pertama kali berkenalan dengan calon pekerjanya. Tentunya

momen ini menjadi sangat penting dan krusial di antara ke dua belah pihak. Bagi

para pencari pekerjaan, wawancara menjadi ajang bagi mereka untuk menunjukkan

apa kontribusi yang bisa mereka lakukan demi kemajuan perusahaan. Sedangkan

bagi perusahaan, wawancara menjadi ajang untuk melihat kandidat yang potensial

untuk menjadi bagian dari perusahaan yang mampu membantu perusahaan

mencapai tujuannya.

Bagi kebanyakan orang yang bekerja di SPBU Aek Nabara, hal yang paling

ditakutkan saat melamar pekerjaan adalah wawancara dan tidak mudah untuk

mencari bahan bacaan untuk mengetahui cara menghadapi wawancara tersebut.

1
Namun dengan memanfaatkan teknologi semua itu akan lebih mudah, seperti

Artificial Intelligence atau kecerdasan buatan berupa chatbot.

Chatbot merupakan salah satu bentuk artificial intelligence (AI) karena

mampu mensimulasikan percakapan dan mengobrol dengan manusia, membuat

seolah-olah mereka berinteraksi dengan manusia sungguhan. Chatbot memiliki

beberapa manfaat bagi pengguna, yaitu chatbot dapat memberikan pelayanan

sepanjang waktu tanpa memikirkan batasan waktu.

Dengan memanfaatkan internet saat ini, chatbot juga bukan hanya tersedia

dari sosial media seperti Whatsaap, Telegram dan lainnya. Namun bagi kebanyakan

Perusahaan masih menggunakan website mereka sendiri untuk menjalankan

chatbot tersebut kepada pengguna / user.

Maka dari itu, berangkat dari permasalahan ini, penulis membuat inovasi

teknologi berbasis kecerdasan buatan atau Artificial Intelligence untuk membantu

para pencari pekerjaan khususnya di SPBU Aek Nabara mempersiapkan diri

menghadapi wawancara pekerjaan. Dan akan dijadikan sebagai tugas akhir yang

berjudul “ Perancangan Chatbot Pertanyaan Wawancara Menggunakan Model

Neural Network Pada Website CARTECH “.

1.2. Perumusan Masalah

Berdasarkan latar belakang diatas maka dirumuskan permasalahan pada

penelitian ini sebagai berikut :

1. Bagaimana cara mempersiapkan diri dalam memberikan jawaban untuk

melakukan wawancara pekerjaan ?

2
 2. Bagaimana perancangan pembuatan chatbot menggunakan metode neural

network berbasis website ?

3. Bagaimana bentuk wawancara saat melamar pekerjaan di SPBU Aek

Nabara ?

1.3. Ruang Lingkup Masalah

Sesuai dengan pembahasan perumusan masalah diatas, maka peneliti

membatasi penelitian ini antara lain :

1. Data yang digunakan sebagai dataset projek adalah dari penyedia data di

internet yaitu Kaggle.

2. Metode yang digunakan pada projek adalah metode Neural Network.

3. Software yang digunakan untuk membangun sistem adalah Google Colab

dan NGrok sebagai framework berbasis python.

1.4. Tujuan dan Manfaat Penelitian

1.4.1. Tujuan Penelitian

Sesuai dengan latar belakang, rumusan masalah dan ruang lingkup masalah,

maka tujuan dari penelitian ini adalah :

1. Untuk mengetahui bentuk jawaban yang akan diberikan ketika melakukan

wawancara pekerjaan saat melamar pekerjaan di suatu Perusahaan

2. Untuk mengetahui perancangan pembuatan chatbot menggunakan metode

neural network berbasis website

3. Untuk mengetahui bentuk wawancara pekerjaan saat melamar pekerjaan di

SPBU Aek Nabara

3
1.4.2. Manfaat Penelitian

Manfaat penelitian ini yaitu :

1. Chatbot memberikan peluang bagi pelamar untuk berlatih wawancara tanpa

tekanan dan kecemasan yang mungkin muncul dalam situasi wawancara

langsung. Ini membantu meningkatkan rasa percaya diri dan

mempersiapkan mereka secara lebih baik.

2. Chatbot dapat dirancang untuk mengajukan berbagai macam pertanyaan

wawancara, Ini membantu pelamar untuk mempersiapkan diri untuk

berbagai jenis pertanyaan yang mungkin muncul dalam wawancara

pekerjaan.

3. Dengan chatbot, pelamar dapat melakukan latihan wawancara berulang-

ulang untuk meningkatkan keterampilan dan kepercayaan diri mereka.

1.5. Tinjauan Umum Objek Penelitian

SPBU ( Stasiun Pengisian Bahan Bakar Umum ) Pertamina Aek Nabara

memiliki kode Pertamina 14.214.281, yang beralamat di Perbaungan, Kec. Bilah

Hulu, Kab. Labuhanbatu, Sumatera Utara. SPBU ini diresmikan oleh Bupati

Labuhanbatu Bapak HT. Milwan pada tanggal 26 Maret 2009 yang didirikan oleh

Justin Simarmata sebagai Direktur SPBU ( 14.214.281 ). SPBU yang sudah

beroperasi selama 14 tahun ini memiliki fasilitas seperti Toilet, Mushola, Mesin

ATM BNI, dan memiliki Market yang bernama JESSMART.

4
1.6. Sistematika Penulisan

Adapun sistematika penulisan yang akan dilampirkan antara lain adalah :

BAB I : PENDAHULUAN

Dalam bab ini penulis membahas tentang Latar Belakang Masalah,

Rumusan Masalah, Tujuan dan Kegunaan Penulisan, dan Sistematika

Penulisan.

BAB II : LANDASAN TEORI

Pada bagian ini, diberikan definisi dan klarifikasi terhadap konsep-konsep

dalam konteks perancangan chatbot, model Neural Network beserta tools

yang akan digunakan untuk membuat projek ini.

BAB III : ANALISA DAN PERENCANGAN

Pada bagian sebagai landasan untuk pengembangan selanjutnya dan

memberikan pemahaman mendalam tentang konteks serta kebutuhan yang

harus dipenuhi oleh sistem chatbot.

BAB IV : IMPLEMENTASI HASIL DAN PEMBAHASAN

Bagian implementasi dan pembahasan ini memberikan gambaran

menyeluruh tentang bagaimana penelitian dilaksanakan, hasil apa yang

diperoleh, dan interpretasi apa yang dapat diambil dari temuan tersebut.

BAB V : KESIMPULAN

Dalam bagian ini, penulis merangkum temuan utama penelitian.

Kesimpulan dirumuskan sebagai jawaban dari pertanyaan penelitian yang

diajukan pada Bab 1. Penulis menyajikan secara singkat, tetapi padat, hasil

temuan yang relevan dengan tujuan penelitian.

5
 BAB II

LANDASAN TEORI

2.1. Teori Penelitian

2.1.1. Perancangan

Perancangan adalah Proses untuk mendefinisikan sesuatu yang akan

dikerjakan dengan menggunakan teknik yang bervariasi serta di dalamnya

melibatkan deskripsi mengenai arsitektur serta detail komponen dan juga

keterbatasan yang akan dialami dalam proses pengerjaannya.[1]

2.1.2. Chatbot

Chatbot adalah sebuah program buatan berbasis Artificial Intelligence atau

kecerdasan buatan, yang dapat mensimulasikan percakapan atau obrolan dengan

pengguna lain layaknya manusia melalui aplikasi pesan, situs web, aplikasi seluler,

atau melalui telepon. Penggunaan Natural Language Processing sebagai cabang

ilmu pengetahuan dan teknologi Artificial Intelligence yang mempelajari hubungan

antara manusia dan komputer melalui Natural Language Processing. Tujuannya

adalah untuk menerapkan proses pembuatan model bahasa yang terkomputerisasi

untuk interaksi manusia dengan manusia lainnya. Komputer melakukan ini dengan

bantuan intervensi bahasa alami. Model komputasi ini dapat berguna untuk

mempermudah komunikasi manusia dengan komputer saat mencari informasi.

Salah satu kegunaan dari aplikasi pengolah bahasa alami ini adalah chatbot. [2]

Chatbot adalah program manusia yang mensimulasikan dialog cerdas antara

satu atau lebih pengguna menggunakan teks. Chatbot dapat digunakan pada

6
percakapan yang berskala kecil atau dapat juga pada percakapan yang berskala

sedang tergantung pada pertanyaan nya. Chatbot adalah salah contoh dari Artificial

Intelligence (AI). [3]

Permasalahan umum seperti respon pertanyaan pengguna yang tertunda atau

tidak terbalas karena keterbatasan waktu pelayanan dapat dibantu dengan peran

mesin melalui teknologi AI yang dapat merespon pertanyaan pengguna secara real

time dan tersedia setiap saat. Namun chatbot juga memerlukan pengujian pengujian

untuk memenuhi standar kualitas agar layak digunakan dan terhindar dari kesalahan

saat operasional seperti respon yang tidak relevan terhadap pertanyaan

pengguna.[4]

Terdapat beberapa teknologi terkini pada perancangan sebuah chatbot,

teknologi ini antara lain Artifficial Intelligence, Machine Learning, Natural

Language Processing dan Deep Learning. Machine Learning dapat di aplikasikan

sebagai mesin yang mempelajari, menganalisa dan mengenal bermacam-macam

Bahasa pada chatbot, sementara Natural Lenguage Processing (NLP) memiliki

kemampuan untuk mengerti dan memahami Bahasa manusia lalu memberikan

respon yang sesuai dengan Bahasa yang digunakan pengguna chatbot.[5]

2.1.3. Artificial Intelligence / Kecerdasan Buatan

Kecerdasan buatan atau artificial intelligence (AI) merupakan salah satu

bagian ilmu komputer yang membuat agar mesin (komputer) dapat melakukan

pekerjaan seperti dan sebaik yang dilakukan oleh manusia. Pada awal

diciptakannya, komputer hanya difungsikan sebagai alat hitung saja. Namun

seiiring dengan perkebangan jaman, maka peran komputer semakin mendominasi

7
kehidupan umat manusia. Komputer tidak lagi hanya digunakan sebagai alat hitung,

lebih dari itu, komputer diharapkan untuk dapat diberdayakan untuk mengerjakan

segala sesuatu yang bisa dikerjakan oleh manusia. [6]

Sejarah kecerdasan buatan dimulai pada tahun 1950-an ketika Alan Turing

mengusulkan uji Turing untuk menentukan kecerdasan mesin. Pada tahun yang

sama, John McCarthy memperkenalkan istilah "kecerdasan buatan" dan mendirikan

konferensi Dartmouth untuk memajukan penelitian dalam bidang ini. Selama

beberapa dekade berikutnya, perkembangan dalam pemrograman dan komputasi

membantu mengembangkan model-model awal kecerdasan buatan, seperti program

permainan catur oleh IBM pada tahun 1950-an dan sistem kecerdasan buatan

pertama pada tahun 1960-an. Perkembangan teknologi dan algoritma semakin

memperluas aplikasi kecerdasan buatan, dari jaringan saraf buatan pada tahun

1980-an hingga booming machine learning dan deep learning pada abad ke-21.

Kini, kecerdasan buatan terus berkembang, memainkan peran kunci dalam berbagai

industri, termasuk otomotif, kesehatan, dan keamanan.

2.1.4. Machine Learning

Machine Learning (ML) adalah suatu cabang dari kecerdasan buatan yang

fokus pada pengembangan sistem yang dapat mempelajari pola atau informasi dari

data yang diberikan, dan kemudian menggunakan pembelajaran tersebut untuk

membuat keputusan atau melakukan tugas tertentu tanpa memerlukan

pemrograman eksplicit. Dalam konteks machine learning, "mempelajari" berarti

sistem dapat mengidentifikasi pola, mengenali tren, atau membuat prediksi

berdasarkan data input.

8
2.1.5. Pemrosesan Bahasa Alami / Natural Languange Processing

Pemrosesan Bahasa Alami (Natural Language Processing atau NLP) adalah

cabang dari kecerdasan buatan yang berkaitan dengan interaksi antara komputer

dan bahasa manusia. Tujuan utama dari NLP adalah memungkinkan komputer

untuk memahami, memproses, dan merespons bahasa manusia dengan cara yang

bermakna. NLP mencakup semua yang diperlukan komputer untuk mengerti

Bahasa Alami baik yang ditulis maupun diucapkan dan menghasilkan sebuah

bahasa alami. NLP terdiri atas NLU dan NLG.

1. Natural Language Understanding (NLU)

Tugas NLU adalah memahami input (bahasa alami)

2. Natural Language Generation (NLG)

NLG adalah salah satu bagian dari NLP, NLG sering juga disebut text

generation. [7]

Pemrosesan Bahasa Alami (NLP) merupakan cabang ilmu yang

memungkinkan komputer untuk memahami, mengo- lah, dan menghasilkan teks

dalam bahasa manusia. Perkembangan teknologi dalam beberapa dekade terakhir

telah memungkinkan kemajuan signifikan dalam penelitian dan pengembangan

NLP. Bahasa Indonesia, sebagai bahasa resmi di negara dengan jumlah penduduk

terbesar keempat di dunia, menjadi subjek yang penting dalam penelitian NLP. [8]

2.1.6. Deep Learning

Deep Learning adalah subbidang dari machine learning yang menggunakan

neural networks (jaringan saraf) yang lebih besar dan lebih kompleks untuk

9
memodelkan dan mengekstraksi pola dari data. Deep learning dikenal dengan

istilah "deep" karena jaringan saraf yang digunakan memiliki banyak lapisan atau

layer. Pada umumnya, deep learning dapat memahami representasi tingkat tinggi

dari data secara otomatis dan mendeteksi fitur yang lebih kompleks.

2.1.7. Website

Website adalah kumpulan halaman web yang terkait satu sama lain dan dapat

diakses melalui internet. Setiap halaman web dalam sebuah website dapat berisi

teks, gambar, multimedia, dan berbagai elemen interaktif. Websites biasanya

digunakan untuk menyajikan informasi, memberikan layanan online, atau

menjalankan aplikasi web. Websites dapat memiliki berbagai tujuan, seperti

memberikan informasi, menyediakan layanan online, berjualan produk atau jasa,

atau menyajikan konten hiburan. Websites juga dapat memiliki berbagai jenis,

termasuk blog pribadi, situs berita, toko online, forum komunitas, dan banyak lagi,

sesuai dengan kebutuhan dan tujuan pembuatnya.

2.2. Metode

2.2.1. Neural Network

Sebuah jaringan saraf adalah sebuah prosesor didistribusikan massal paralel

yang terdiri dari pengolahan sederhana unit, yang mana juga memiliki

kecenderungan alami untuk menyimpan pengalaman pengetahuan dan

membuatnya tersedia untuk digunakan. Jaringan Syaraf Tiruan bekerja meniru kerja

otak manusia dari sudut:

10
 1. Pengetahuan yang diperoleh network dari lingkungan, melalui suatu proses

pembelajaran.

2. Kekuatan koneksi antar unit yang disebut synaptic weight, berfungsi untuk

menyimpan pengetahuan yang telah diperoleh dari jaringan tersebut.[7]

2.2.2. Lapisan Jaringan Syaraf Tiruan

1. Lapisan Input

Node-node di dalam lapisan input disebut unit-unit input. Unit-unit input

menerima input dari dunia luar. Input yang dimasukkan merupakan

penggambaran suatu masalah.

2. Lapisan Tersembunyi

Node-node di dalam lapisan tersembunyi disebut unit-unit tersembunyi.

Output dari lapisan ini tidak secara langsung dapat diamati.

3. Lapisan Output

Node-node pada lapisan output disebut unit-unit output. Keluaran atau

output dari lapisan ini merupakan output jaringan syaraf tiruan terhadap

suatu permasalahan.[9]

2.3. Algoritma

2.3.1. Dataset

Dataset adalah sebuah kumpulan data yang berasal dari informasi informasi

pada masa lalu dan siap untuk dikelola menjadi sebuah informasi baru.[10]

11
2.3.2. Lematization (Lematisasi)

Lematisasi adalah proses mengubah sebuah kata menjadi bentuk yang

sesuai (lemma), sehingga dapat dikelompokkan dengan kata lain yang sama. Tujuan

dari lematisasi adalah mengubah infinite tense dan noun menjadi sebuah kata dalam

Bahasa Inggris yang sama.[11]

2.3.3. Tokenization (Tokenisasi)

Tokenisasi merupakan sebuah konsep yang mencakup proses sederhana

dimana urutan teks dipecah men- jadi bagian-bagian yang lebih kecil atau token dan

kemudian dimasukkan sebagai input ke dalam model Natural language processing

(NLP), atau proses model yang lebih kompleks seperti menerapkan penge- tahuan

dunia Deep Learning (DL). Tokenisasi akan lebih rumit ketika berhadapan dengan

kasus semua kata dikelompokkan menjadi satu token atau tanpa pemisah dan

kesalahan dalam tipografi.[12]

2.3.4. Neural Network Model (Jaringan Syaraf Tiruan)

Jaringan Syaraf Tiruan atau Artificial Neural Network (NN) adalah teknik

dalam Machine Learning yang menirukan syaraf manusia yang merupakan bagian

fundamental dari otak. Neural Network terdiri atas lapis masukan (input layer) dan

lapis keluaran (output layer). Setiap lapis terdiri atas satu atau beberapa unit neuron

yang mempunyai sebuah fungsi aktivasi yang menentukan kelu- aran dari unit

tersebut.[13]

12
2.3.5. Long Short Term Memory (LSTM)

Long Short-Term Memory (LSTM) memiliki struktur yang memiliki sel

memori dengan elemen kunci yaitu kondisi sel, yang dikendalikan oleh 3 gate yang

berbeda yaitu forget gate, input gate, dan output gate. Memutuskan informasi mana

dari kondisi sel sebelumnya yang diingat atau dilupakan maka digunakan forget

gate, sedangkan input gate, yaitu memutuskan nilai status sel mana yang diperbarui

oleh sinyal input. Kemudian, output gate, mengondisikan keadaan sel memiliki atau

tidak berpengaruh pada neuron lain.[14]

2.3.6. Training Model (Latih)

Training model pada chatbot wajib dilakukan karena training data bertujuan

untuk memberikan pelajaran dan pengetahuan sehingga bot bisa memberikan

response sesuai dengan apa yang ditanyakan. Dalam training model terdapat

parameter loss dan accuracy. Training model bisa dilakukan berhasil jika loss

memiliki value yang rendah dan accuracy memiliki value yang tinggi.[15]

2.4. Alat Bantu Pemrograman / Tools Pendukung

2.4.1. Visual Studio Code

Visual Studio Code merupakan sebuah aplikasi editor code open source yang

dikembangkan oleh Microsoft untuk sistem operasi Windows, Linux, dan MacOS.

Visual Code memudahkan dalam penulisan code yang mendukung beberapa jenis

pemrograman, seperti C++, C#, Java, Python, PHP, GO. Visual Code memiliki

kemampuan untuk mengidentifikasi jenis bahasa pemrograman yang digunakan

dan memberi variasi warna sesuai dengan fungsi dalam rangkaian code tersebut.

13
Visual Studio Code juga telah terintegrasi ke Github. Selain itu fitur lainnya adalah

kemampuan untuk menambah ekstensi dimana para pengembang dapat menambah

ekstensi untuk menambah fitur yang tidak ada di Visual Studio Code.[16]

Gambar 1 Visual Studio Code

Sumber : www. wikipedia.org

2.4.2. Google Colaboratory

Colaboratory atau Colab merupakan produk dari Google Research. Colab

memungkinkan siapa saja menulis dan mengeksekusi kode python arbitrer melalui

browser, dan sangat cocok untuk Machine Learning, analisis data, serta pendidikan.

Secara lebih teknis, Colab merupakan layanan notebook Jupyter yang di hosting

dan dapat digunakan tanpa penyiapan, serta menyediakan akses gratis ke resource

komputasi termasuk GPU. Resource Colab tidak dijamin dan sifatnya terbatas, serta

batas penggunaannya terkadang berfluktuasi. Hal ini diperlukan agar Colab dapat

menyediakan resource secara gratis.[17]

14
 Gambar 2 Google Colaboratory
Sumber : www.wikipedia.org

2.4.3. Anaconda Navigator

Anaconda Navigator adalah antarmuka pengguna grafis (Graphical User

Interface / GUI) yang memungkinkan pengguna untuk menjalankan aplikasi dan

mengelola paket-paket untuk menggunakan pustaka dalam kode program yang

diperlukan untuk pembelajaran data. Di dalam Anaconda Navigator, terdapat

beberapa aplikasi, salah satunya adalah Jupyter. Jupyter merupakan sebuah

perangkat lunak yang bebas untuk digunakan dan terhubung ke layanan interaktif

dalam berbagai bahasa pemrograman. JupyterLab merupakan sebuah lingkungan

pengembangan interaktif yang berbasis web untuk kode program, data, dan catatan

jupyter. JupyterLab memiliki kemampuan yang fleksibel dalam mendukung alur

kerja dalam bidang sains data, komputasi ilmiah, dan pembelajaran mesin.[18]

15
 Gambar 3 Anaconda Navigator
Sumber : www.wikipedia.org

2.4.4. NGrok

NGrok merupakan sebuah tunneking atau dapat dikatakan sebagai aplikasi

yang menjembatani untuk menerobos sistem firewall yang ada pada jaringan yang

merubah Internet Protocol (IP) lokal menjadi IP Publik, dimana IP lokal diubah

menjadi sebuah alamat web yang dapat diakses melalui internet. NGrok dibuat oleh

Alan Shreve pada tahun 2013, adapun beberapa fungsi dari NGrok adalah NGrok

bisa mendemokan website dan aplikasi yang berbasis web tanpa upload ke hosting,

mempermudah pengujian website di perangkat mobile, membuat jaringan private,

sharing file-file, membuat remote desktop, dan ada juga yang mengkombinasikan

NGrok dengan webcam sehingga menghasilkan sebuah project cctv sederhana yang

dapat diakses melalui jaringan internet.[19]

16
 Gambar 4 NGrok
Sumber : www.curity.io

2.5. Metode Penelitian

2.5.1. Penelitian Terdahulu

Table 1 Penelitian Terdahulu

Refrensi 1

Judul Penerapan Algoritma Neural Network Pada

Chatbot Pmb Universitas Muhammadiyah

Ponorogo Berbasis Web

Nama Penulis Muhammad Furqon Fadli, Ghulam Asrofi

Buntoro, Fauzan Masykur,

Tahun 2023

Hasil Dengan menggunakan metode Neural Network,

memungkinkan klasifikasi chatbot dapat

dilakukan berdasarkan kata-kata penyusunnya,

sehingga bila terjadi ketidak cocokkan kalimat

antara input pengguna dengan pola, chatbot

17
 masih dapat memberikan respon berdasarkan

kata-kata yang terdapat pada input pengguna.

Refrensi 2

Judul Implementasi Algoritma Artificial Neural

Network Dalam Pembuatan Chatbot

Menggunakan Pendekatan Natural Language

Processing

Nama Penulis Nia Agustina Purwitasari, Muhamad Soleh

Tahun 2022

Hasil 1. Algoritma ANN dapat diimplementasikan

untuk membangun sebuah model chatbot

sehingga mampu memberikan respon yang

sesuai dengan inputan pengguna dengan tingkat

akurasi dari hasil uji coba sebesar 94.28%.

2. Tingkat akurasi dapat dipengaruhi dengan

banyaknya sampel data, dimana semakin

banyak data yang dimiliki maka tingkat akurasi

akan semakin tinggi.

Refrensi 3

Judul Menerapkan Algoritma Neural Network Pada

Chatbot Mengenai Pariwisata Di Provinsi

Bangka Belitung

Nama Penulis Ristian Mahendra, Mia Kamayani

18
 Tahun 2023

Hasil Pembuatan Chabot agar membantu wisatawan

dalam mencari informasi mengenai objek wisata

yang ada di Bangka Selatan. Dalam

menggunakan Algoritma Neural Network

berhasil diterapkan pada chatbot sehingga dapat

menjawab pertanyaan yang diajukan oleh user

dengan baik.

2.5.2. Kerangka Kerja Penelitian

Kerangka Kerja Penelitian (Research Framework) adalah konsep atau

struktur konseptual yang digunakan untuk merancang, melaksanakan, dan

menganalisis penelitian. Kerangka kerja ini memberikan landasan teoritis dan

metodologis bagi penelitian serta membantu peneliti dalam memahami,

merencanakan, dan Menyusun penelitian. Ini membantu peneliti untuk memiliki

panduan yang jelas selama seluruh proses penelitian dan memberikan dasar yang

kuat bagi validitas dan keandalan hasil penelitian.

19
Gambar 5 Kerangka Kerja Penelitian

20
 BAB III

METODE PENELITIAN

3.1. Alat dan Bahan Penelitian

Pada penelitian ini penulis menggunakan alat dan bahan sebagai pendukung

perancangan Chatbot Pertanyaan Wawancara Menggunakan Model Neural

Network Pada Website CARTECH :

3.1.1. Spesifikasi Kebutuhan Hardware

Tentunya agar aplikasi berjalan dengan baik, struktur perangkat keras harus

memenuhi spesifikasi yang dibutuhkan. Sedangkan persyaratan aplikasi yang

dibutuhkan

1. Processor : intel core i3-7200U

2. RAM : 4GB

3. Hardisk : 1TB

4. System Type : 64-bit Operating System

3.1.2. Spesifikasi Kebutuhan Software

Perangkat lunak yang digunakan dalam pembuatan chatbot untuk

kemudahan dalam belajar mencari info tata cara wawancara adalah:

1. Sistem Operasi : Microsoft Windows 10

2. Bahasa Pemrograman : Python

3. Web Browser : Google Chrome

4. Framework : NGrok

5. Code Editor : Visual Studio Code

21
3.2. Tahapan Penelitian

Pada pelaksanaan proyek akhir ini, penulis menggunakan metode penelitian

AI yang dikenal dengan AI Project Cycle. Berikut penulis jelaskan tahapan-tahapan

dari pengerjaan proyek akhir yang berjudul Cartech (Career Talk Technology).

3.2.1. Problem Scoping

Tabel 3.2.1. Problem Scoping

Terdapat permasalahan yang dialami oleh para pencari pekerjaan

What dalam menghadapi wawancara pekerjaan di perusahaan yang

mereka lamar.

Objek yang mengalami permasalahan pada masalah ini adalah

Who
para pencari pekerjaan/ Job Seeker.

Where Persiapan menghadapi wawancara pekerjaan.

Mengacu pada permasalahan yang ada, penulis ingin penyerapan

lapangan pekerjaan lebih baik dan para pencari pekerjaan

Why
mendapatkan pekerjaan yang mereka inginkan.

3.2.2. Data Acquisition

Data Acquisition adalah tahapan pengumpulan data sebanyak- banyaknya

dan yang relevan dengan proyek AI yang sedang dibangun. Semakin banyak data

yang terkumpul maka semakin baik, hal itu akan membantu model mempelajari

data pada proses training data untuk mendapatkan hasil akurasi yang baik.

22
 Terdapat berbagai macam metode yang dapat digunakan untuk mencari dan

mengumpulkan data yang akan dijadikan dataset, namun pada proyek akhir penulis

ini, penulis hanya menggunakan metode pengambilan data dari penyedia data yaitu

Kaggle.

Gambar 6 Kaggle
Sumber : www. Wikipedia.com

3.2.3. Data Exploration

Setelah dataset didapatkan, data tersebut tidak langsung kemudian diolah

untuk mendapatkan dijadikan bahan untuk permodelan. Akan tetapi data tersebut

mesti melewati proses penyaringan dan pembersihan agar didapatkan data yang

benar-benar cocok dan sesuai dengan model aplikasi yang akan dijalankan atau

biasa dikenal dengan Preprocessing Data.

1. Remove Punctuation

Pada tahapan ini, data yang ada di proses untuk menghilangkan tanda baca

seperti special character yaitu ‘!’ (tanda seru), ‘,’ (tanda koma), ‘.’ (tanda

titik), ‘?’ (tanda tanya) dan tanda baca yang lain.

2. Lemmatization (Lematisasi)

Setelah menghapus tanda baca, tahapan praproses data selanjutnya yang

dilakukan adalah lematisasi. Lematisasi adalah proses menghilangkan

23
 inflectional endings only atau mengembalikan kata-kata ke bahasa kamus

dengan menghilangkan imbuhan yang ada pada kata tersebut. Kemudian,

dilakukan penyortiran data untuk kelas tags. Lalu dilakukan penjumlahan

keseluruhan data teks.

3. Tokenization (Tokenisasi)

Setelah proses Lematisasi dilakukan, maka data tersebut masuk ke proses

tokenisasi. Tokenisasi adalah proses memberikan urutan karakter dan

sebuah unit dokumen yang dapat terdefinisi.

4. Padding

Setelah data telah melalui tahap tokenisasi, data tersebut dilanjutkan melalui

tahap padding. Padding merupakan proses mengubah setiap sequence agar

memiliki panjang yang sama. Pada padding, setiap sequence dibuat sama

panjang dengan menambahkan nilai 0 secara suffiks atau prefix hingga

mencapai panjang maksimum sequence. Selain itu, padding juga dapat

memotong sequence hingga panjangnya sesuai dengan panjang maksimum

sequence. Padding juga dapat dikatakan sebagai proses untuk membuat

setiap kalimat pada teks memiliki panjang yang sama.

5. Encoding Text

Setelah proses padding dilakukan, data tersebut kemudian dilakukan proses

Encoding Teks. Encoding Teks merupakan proses pengkonversian data teks

menjadi data numerik yang menyesuaikan dengan data label yang

digunakan. Pada proses ini, encoding mengubah data teks pada kolom data

tags menjadi data numerik dengan bahasa biner komputer yaitu 0 dan 1.

24
3.2.4. Modelling

Proses yang dilakukan pada tahap ini adalah pembuatan dan kompilasi

model serta training model. Model yang dipakai adalah Neural Network Model.

3.2.5. Evaluation

Setelah dilakukan proses modelling, dilanjutkan ke tahap evaluasi untuk

membandingkan hasil antara akurasi dan loss dengan visualisasi plot yang

menampilkan hasil evaluasi dengan good fitting.

3.2.6. Deployment

Tahapan untuk mengimplementasikan dan merilis model yang terpilih pada

tahapan evaluation model untuk menjadi sebuah aplikasi pada platform tertentu

sesuai kebutuhannya.

3.3. Perancangan Tampilan Desain Home

Gambar 3.3. Tampilan Halaman Home

25
 Pada gambar Website Cartech di atas, merupakan tampilan Home untuk

menyapa para pengguna, di mana terdapat tiga button pada navbar yang dapat

diakses oleh pengguna. Pertama, yaitu button welcome, yang berfungsi untuk

mengembalikan tampilan awal ke Home. Kedua, button Artikel, yang berfungsi

untuk memindahkan halaman tampilan ke artikel. Ketiga, button Tentang Kami,

yang berfungsi untuk menampilkan halaman deskripsi website dan deskripsi

pembuat aplikasi website.

3.4. Perancangan Tampilan Desain Artikel

Gambar 3.4. Tampilan Halaman Artikel

Setelah pengguna mengakses button Artikel pada navbar, maka akan

muncul halaman seperti ini. Pada halaman ini, pengguna mendapatkan informasi

seputar persiapan sebelum melakukan wawancara pekerjaan dan juga diberikan link

Youtube channel mengenai tips and trick sukses menghadapi wawancara pekerjaan,

yang dapat pengguna tonton langsung pada halaman tersebut.

26
3.5. Perancangan Tampilan Desain Chatbot

Gambar 3.5. Tampilan Halaman Chatbot

Terdapat button Floating Chatbot pada bagian kanan bawah website

Cartech. Button tersebut dapat digunakan oleh para pengguna untuk bertanya

kepada chatbot yang telah di desain dapat menjawab pertanyaan seputar wawancara

pekerjaan. Sehingga, pengguna mampu mengetahui lebih dalam mengenai seluk

beluk dunia wawancara pekerjaan.

27
3.6. Perancangan Tampilan Desain Tentang

Gambar 3.5. Tampilan Halaman Tentang

Setelah pengguna mengakses button Tentang Kami, maka akan muncul

tampilan halaman seperti ini. Pada halaman ini, pengguna akan mengetahui

deskripsi dari website Cartech dan juga layanan lainnya.

28
 DAFTAR PUSTAKA

[1] M. Troulis, “Analisa dan Perancangan Aplikasi Pembelajaran Bahasa Inggris

Dasar Berbasis Android,” Jornada Científica de Farmacología y Salud I
LAS, vol. 28, no. 1, pp. 1–11, 2020.
[2] Y. P. YOANDA, N. Nurmalasari, and T. Hidayat, “Rancang Bangun Chatbot
Untuk Meningkatkan Pelayanan Customer Pada Aplikasi Traveloka,” Jurnal
Teknologi Sistem Informasi, vol. 3, no. 2, pp. 337–352, 2022, doi:
10.35957/jtsi.v3i2.2706.
[3] Andy, “Implementasi Chatbot pada Website PMB UIN Malang
menggunakan Neural Network,” 2022.
[4] A. Muhyidin, “Pengembangan Media Komunikasi Kehumasan Berbasis
Chatbot ‘Unysa’ Sebagai Layanan Informasi Tentang Universitas Negeri
Yogyakarta,” Jurnal Elektronik Pendidikan Teknik Informatika, no.
September, pp. 1–14, 2019.
[5] M. F. Fadli, G. A. Buntoro, and F. Masykur, “Penerapan Algoritma Neural
Network Pada Chatbot Pmb Universitas Muhammadiyah Ponorogo Berbasis
Web,” JuSiTik : Jurnal Sistem dan Teknologi Informasi Komunikasi, vol. 6,
no. 1, pp. 13–22, 2023, doi: 10.32524/jusitik.v6i1.786.
[6] H. Jaya et al., Kecerdasan Buatan, vol. 53, no. 9. 2018.
[7] M. Mubarak, Pengantar Kecerdasan Buatan ( Artificial Intelligence), vol. 5,
no. 2. 2000. doi: 10.1002/1521-3773(20010316)40:6<9823::AID-
ANIE9823>3.3.CO;2-C.
[8] M. Amien, “Sejarah dan Perkembangan Teknik Natural Language
Processing (NLP) Bahasa Indonesia: Tinjauan tentang sejarah,
perkembangan teknologi, dan aplikasi NLP dalam bahasa Indonesia,” no.
2007, pp. 1–7, 2023, [Online]. Available: http://arxiv.org/abs/2304.02746
[9] N. Agustina Purwitasari, M. Soleh, J. Raya Puspiptek, and K. Tangerang
Selatan, “Implementasi Algoritma Artificial Neural Network Dalam
Pembuatan Chatbot Menggunakan Pendekatan Natural Language Processing
(Implementation Of Artificial Neural Network Algorithm In Chatbot
Development Using Natural Language Processing Approach),” Jurnal
IPTEK, vol. 6, pp. 14–21, 2022.
[10] N. K. Zuhal, “Study Comparison K-Means Clustering dengan Algoritma
Hierarchical Clustering,” Prosiding Seminar Nasional Teknologi dan Sains,
vol. 1, pp. 200–205, 2022, [Online]. Available:
https://jurnal.dharmawangsa.ac.id/index.php/djtechno/article/view/966/867

29
[11] D. Sebastian, “Implementasi Algoritma K-Nearest Neighbor untuk
Melakukan Klasifikasi Produk dari beberapa E-marketplace,” Jurnal Teknik
Informatika dan Sistem Informasi, vol. 5, no. 1, pp. 51–61, 2019, doi:
10.28932/jutisi.v5i1.1581.
[12] T. Jamaluddin, M. Arif Bijaksana, and I. Asror, “Perbandingan Algoritma
Sentencepiece BPE dan Unigram Pada Tokenisasi Artikel Bahasa
Indonesia,” e-Proceeding of Engineering, vol. 7, no. 2, pp. 8323–8331, 2020.
[13] A. Ahmad Hania, “Mengenal Artificial Intelligence, Machine Learning, &
Deep Learning,” Jurnal Teknologi Indonesia, vol. 1, no. June, pp. 1–6, 2017,
[Online]. Available: https://amt-it.com/mengenal-perbedaan-artificial-
inteligence-machine-learning-deep-learning/
[14] S. Jurnalis Pipin and H. Kurniawan, “Analisis Sentimen Kebijakan MBKM
Berdasarkan Opini Masyarakat di Twitter Menggunakan LSTM,” Jurnal
SIFO Mikroskil, vol. 23, no. 2, pp. 197–208, 2022, doi:
10.55601/jsm.v23i2.900.
[15] N. Rohim and E. Zuliarso, “Penerapan Algoritma Deep Learning Untuk
Konsultasi Dan Pengenalan Tentang Virus,” vol. 15, no. 2, pp. 267–278,
2022.
[16] N. A. Ramdhan and D. A. Nufriana, “Rancang Bangun Dan Implementasi
Sistem Informasi Skripsi Oline Berbasis WEB,” Jurnal Ilmiah Intech :
Information Technology Journal of UMUS, vol. 1, no. 02, pp. 1–12, 2019,
doi: 10.46772/intech.v1i02.75.
[17] G. I. E. Soen, Marlina, and Renny, “Implementasi Cloud Computing dengan
Google Colaboratory Pada Aplikasi Pengolah Data Zoom Participants,”
Journal Informatic Technology And Communication, vol. 6, no. 1, pp. 24–
30, 2022.
[18] I. M. Sukayana, I. A. U. Dewi, and ..., “Penerapan SPK dengan Metode SAW
Terhadap Pemilihan Calon Karyawan LPD Desa Adat Sidakarya dengan
Bahasa Pemrograman Python,” RESI: Jurnal Riset Sistem …, 2023, [Online].
Available:
https://ejournal.unhi.ac.id/index.php/resi/article/view/4264%0Ahttps://ejour
nal.unhi.ac.id/index.php/resi/article/download/4264/2194
[19] A. Widyanto, Y. Aprizal, A. Wardani, and A. Kegiatan, “Prosiding Seminar
Nasional CORISINDO 2021 Pengabdian Kepada Masyarakat Pengenalan
dan Pengaplikasian Tunelling (ngrok.com) Bagi Siswa SMA Guna
Mengakses Aplikasi Berbasis Web,” pp. 240–245, 2021, [Online]. Available:
https://www.ngrok.com.

30