Rancang Bangun Aplikasi Chatbot sebagai Media Requirements Gathering dengan User Stories dan Algoritma Nazief & Adriani
| Main Author: | Dwitama, Ferliana |
|---|---|
| Format: | Thesis NonPeerReviewed application/pdf |
| Bahasa: | eng |
| Terbitan: |
, 2019
|
| Subjects: | |
| Online Access: |
http://kc.umn.ac.id/10372/1/HALAMAN_AWAL.pdf http://kc.umn.ac.id/10372/2/DAFTAR_PUSTAKA.pdf http://kc.umn.ac.id/10372/3/BAB_I.pdf http://kc.umn.ac.id/10372/4/BAB_II.pdf http://kc.umn.ac.id/10372/5/BAB_III.pdf http://kc.umn.ac.id/10372/6/BAB_IV.pdf http://kc.umn.ac.id/10372/7/BAB_V.pdf http://kc.umn.ac.id/10372/8/LAMPIRAN.pdf http://kc.umn.ac.id/10372/ |
Daftar Isi:
- Software merupakan aspek penting yang berpengaruh pada kehidupan manusia. Dalam membangun dan mengembangkan software, para software developer memiliki kecendrungan untuk langsung membangun sistem tanpa memiliki pemahaman tentang apa yang dibutuhkan. Memahami kebutuhan secara detail bagi developer adalah buang-buang waktu karena kebutuhan selalu berubah. Hal ini yang menuntun software menuju kegagalan. Requirements engineering merupakan aktivitas yang bertujuan untuk mengetahui, paham dan menganalisa serta mendokumentasikan requirements/ kebutuhan yang dibutuhkan oleh stakeholder. Salah satu praktik dari requirements engineering adalah user stories. Pada penelitian ini dibangun suatu aplikasi chatbot untuk mengumpulkan user stories dengan algoritma stemming Nazief & Adriani. Chatbot dibangun karena chatbot membawa dampak positif baik bagi perusahaan maupun bagi customer, dimana customer tidak perlu membuang waktu untuk bertemu tatap muka dan lain sebagainya sedangkan algoritma stemming Nazief & Adriani digunakan karena chatbot yang dibangun menggunakan bahasa Indonesia. Algoritma stemming Nazief & Adriani merupakan algoritma stemming khusus bahasa Indonesia yang memiliki tingkat akurasi lebih tinggi dibandingkan algoritma stemming lainnya seperti porter. AIML (Artificial Mark-up Language) digunakan sebagai knowledge based dari chatbot. Tingkat penerimaan pengguna terhadap aplikasi chatbot berdasarkan Technology Acceptance Model adalah 83,03% untuk aspek Behaviour Intention to Use, 83,79% untuk aspek User Attitude towards, 85,45% untuk Perceived Usefulness, dan 84,55 untuk aspek Perceived Ease of Use. Hasil perhitungan berdasarkan chatbot metric efficiency adalah 1099,92 detik atau 18,33 menit untuk total elapsed time 30 task dengan rata-rata elapsed time untuk 1 task sebesar 36,66 detik, total number of user turns dan total number of system turns adalah sebesar 184 turns, total elapsed time per turns untuk 30 task sebesar 89,79 detik dengan rata-rata elapsed time per turns-nya untuk 1 task sebesar 2,99 detik.