Rancang-Bangun Multi-turn Chatbot menggunakan Pendekatan Machine Learning pada Platform Social Commerce Line
| Main Author: | Dian Sari, Veronica |
|---|---|
| Format: | Thesis NonPeerReviewed application/pdf |
| Bahasa: | eng |
| Terbitan: |
, 2019
|
| Subjects: | |
| Online Access: |
http://kc.umn.ac.id/10215/1/HALAMAN_AWAL.pdf http://kc.umn.ac.id/10215/2/DAFTAR_PUSTAKA.pdf http://kc.umn.ac.id/10215/3/BAB_I.pdf http://kc.umn.ac.id/10215/4/BAB_II.pdf http://kc.umn.ac.id/10215/5/BAB_III.pdf http://kc.umn.ac.id/10215/6/BAB_IV.pdf http://kc.umn.ac.id/10215/7/BAB_V.pdf http://kc.umn.ac.id/10215/8/LAMPIRAN.pdf http://kc.umn.ac.id/10215/ |
Daftar Isi:
- Instant messaging telah mengubah dan mempermudah kehidupan seseorang baik secara profesional maupun personal. Perkembangan teknologi inipun turut mendorong pertumbuhan kegiatan social commerce pada messenger. Salah satu messenger yang memberikan dampak besar pada fenomena ini adalah LINE social commerce melalui fitur Official Account yang digunakan oleh beberapa UKM (Usaha Kecil Menengah) bahwa perusahaan besar untuk menjual produknya pada konsumen. Hal ini membawa dampak positif bagi penjual seperti meningkatnya penjualan tanpa harus modal untuk menyewa toko secara fisik dan memudahkan pembeli karena tidak perlu repot pergi jauh untuk mencari produk yang mereka inginkan. Tetapi pada sisi lain, terdapat beberapa kekurangan pada metode penjualan ini yaitu lamanya proses transaksi karena antara penjual dan pembeli berkomunikasi tidak secara langsung. Selain itu, penjual yang sudah memiliki banyak pelanggan akan kerepotan untuk membalas setiap pesan yang diterima dan waktu mereka dapat terbuang dengan sia-sia jika calon pembeli tidak jadi membeli. Penelitian ini membangun sebuah chatbot untuk menangani calon pembeli yang bertanya mengenai produk, pengiriman maupun pembayaran, sehingga waktu yang diperlukan untuk bertransaksi dapat menjadi lebih singkat dan calon pembeli yang ingin memesan cukup langsung mengisi form yang telah disediakan sehingga penjual cukup memeriksa hasil transaksi yang telah dilakukan. Chatbot dirancang menggunakan framework RASA NLU untuk mendeteksi pesan yang diterima lalu diklasifikasi menjadi suatu intent dan entity dan RASA CORE untuk menentukan respon pesan dan aksi selanjutnya yang harus diberikan kepada calon pembeli.Chatbot bekerja dengan menggunakan pendekatan machine learning dan menggunakan model sebagai acuan yang didapatkan dari hasil training data online shop. Hasil pengujian tertinggi pada penelitian ini untuk RASA NLU didapatkan dengan nilai precision dan recall berturut-turut 94 dan 96 persen dengan melalukan perbaikan pada model. Hasil pengujian RASA CORE untuk tingkat conversation memiliki nilai akurasi 16 persen dan pada tingkat action akurasi bernilai 87 persen. Tingkat penerimaan pengguna terhadap chatbot melalui pengujian dan survei berada pada nilai 3 dengan persebaran yang cukup signifikan.