Hasil Pencarian  ::  Simpan CSV :: Kembali

"Coronavirus disease 19 (COVID-19) adalah penyakit pernapasan menular yang pertama kali terdeteksi di Kota Wuhan, Provinsi Hubei, China. Penyakit ini memiliki gejala umum yang mirip dengan gejala penyakit pernapasan lain seperti alergi, flu, dan pilek. Tetapi setiap penyakit membutuhkan obat dan perawatan yang berbeda-beda. Sehingga, penting bagi penderita untuk mendapatkan diagnosis yang tepat atas penyakit yang diderita. Diagnosis biasanya dilakukan dengan pertemuan langsung antara dokter dan pasien. Akan tetapi, cara ini memiliki banyak hambatan, seperti: membutuhkan banyak waktu dan biaya. Selain itu, cara ini juga berpotensi menularkan penyakit kepada orang lain. Oleh karena itu, diajukan implementasi chatbot untuk mengatasi hambatan dalam melakukan diagnosis COVID-19. Chatbot menerima input data berupa gejala yang dialami pasien. Data tersebut terlebih dahulu diubah menjadi data tabular untuk kemudian dilakukan klasifikasi jenis penyakit dengan bantuan algoritma machine learning. Pada Penelitian ini, akan dilakXGBoost pada data gejala yang dipublikasikan oleh Walter Conway di situs Kaggle. Hasil penelitian menunjukkan bahwa model Random Forest memiliki kinerja terbaik pada data testing dengan skor rata-rata accuracy sebesar 93.38%, precision sebesar 96.58%, recall sebesar 93.38%,F1-Score sebesar 94.32%, specificity sebesar 99.73%, Geometric Mean sebesar 95.94%, dan waktu training selama 0.33 detik.

---

Coronavirus disease 19 (COVID-19) is an infectious respiratory disease that was first detected in Wuhan City, Hubei Province, China. This disease has general symptoms that are similar to the symptoms of other respiratory diseases such as allergies, flu, and colds. But each disease requires different medications and treatments. Thus, it is important for patients to get a proper diagnosis of the disease they are suffering from. Diagnosis is usually made by direct meeting between doctor and patient. However, this method has many obstacles, such as: it takes a lot of time and money. In addition, this method also has the potential to transmit the disease to others. Therefore, it is proposed to implement a chatbot to overcome obstacles in diagnosing COVID-19. The chatbot receives input data in the form of symptoms experienced by the patient. The data is first converted into tabular data and then the classification of the type of disease is carried out with the help of machine learning algorithms. In this study, a diagnosis of COVID-19 will be carried out using the Random Forest and XGBoost models on symptom data published by Walter Conway on the Kaggle website. The results showed that the Random Forest model had the best performance on data testing with an average score of 93.38% accuracy, 96.58% precision, 93.38% recall, 94.32% F1-Score, 99.73% specificity, and 95.94% Geometric Mean, and the training time is 0.33 seconds."

"Chatbot sebagai asisten virtual yang digunakan oleh suatu instansi dapat memberikan manfaat bagi penggunanya. Dengan adanya chatbot, pengguna dapat berbicara langsung kepada chatbot melalui pesan singkat, yang kemudian sistem secara spontan mengidentifikasi intent pesan tersebut dan merespons dengan tindakan yang relevan. Sayangnya, cakupan pengetahuan chatbot terbatas dalam menangani pesan oleh pengguna yang semakin bervariasi. Dampak utama dari adanya variasi tersebut adalah adanya perubahan pada komposisi label intent. Untuk itu, penelitian ini berfokus pada dua hal. Pertama, pemodelan topik untuk menemukan intent dari pesan pengguna yang belum teridentifikasi intent-nya. Kedua, pemodelan topik digunakan untuk mengorganisasi intent yang sudah ada dengan menganalisis hasil keluaran model topik. Setelah dianalisis, terdapat dua kemungkinan fenomena perubahan komposisi intent yaitu: penggabungan dan pemecahan intent, dikarenakan terdapat noise saat proses anotasi dataset orisinal. Pemodelan topik yang digunakan terdiri dari Latent Dirichlet Allocation (LDA) sebagai model baseline dan dengan model state-of-the-art Top2Vec dan BERTopic. Penelitian dilakukan terhadap dataset salah satu e-commerce di Indonesia dan empat dataset publik. Untuk mengevaluasi model topik digunakan metrik evaluasi coherence, topic diversity dan topic quality. Hasil penelitian menunjukkan model topik BERTopic dan Top2Vec menghasilkan nilai topic quality 0.036 yang lebih baik dibandingkan model topik LDA yaitu -0.014. Terdapat pula pemecahan intent dan penggabungan intent yang ditemukan dengan analisis threshold proporsi.

---

Chatbot, as a virtual assistant used by an institution, can provide benefits for its users. With a chatbot, users can speak directly to the chatbot via a short message, which then the system spontaneously identifies the intent of the message and responds with the relevant action. Unfortunately, the scope of chatbot knowledge is limited in handling messages by an increasingly varied user. The main impact of this variation is a change in the composition of the intent label. For this reason, this research focuses on two things. First, topic modeling to find intents from user messages whose intents have not been identified. Second, topic modeling is used to organize existing intents by analyzing the output of the topic model. After being analyzed, there are two possible phenomena of changing intent composition: merging and splitting intents because there is noise during the annotation process of the original dataset. The topic modeling used consists of Latent Dirichlet Allocation (LDA) as the baseline model and the state-of-the-art Top2Vec and BERTopic models. The research was conducted on one dataset of e-commerce in Indonesia and four public datasets. The evaluation metrics of coherence, topic diversity, and topic quality were used to evaluate the topic model. The results showed that the BERTopic and Top2Vec topic models produced a topic quality value of 0.036, better than the LDA topic model, which was -0.014. There are also intent splitting and intent merging found by proportion threshold analysis."

"Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi aplikasi AI chatbot dalam proses pencarian pengetahuan atau knowledge retrieval pada suatu organisasi. Metodologi pengembangan aplikasi mengikuti metodologi Agile, dengan tahapan yang meliputi preliminary research, perumusan masalah, studi literatur, pengembangan aplikasi, dan evaluasi. Aplikasi dibangun menggunakan teknologi seperti Node.js, Next.js, dan PostgreSQL, serta diimplementasikan melalui platform Vercel dan GitHub. Penelitian ini menggunakan scenario-based task untuk mengevaluasi efektivitas chatbot dengan model GPT-3.5-turbo. Partisipan dibagi menjadi dua kelompok, satu menggunakan metode pencarian tanpa bantuan AI chatbot dan yang lain mendapatkan bantuan AI chatbot. Eksekusi scenario-based task pada penelitian ini dilakukan terhadap organisasi RM. Payakumbuah Cibubur dan BPOM. Selain dua organisasi tersebut, dilakukan juga uji coba untuk memvalidasi model penelitian dengan melakukan scenariobased task terhadap lingkungan Fasilkom UI. Parameter yang diukur termasuk di dalamnya akurasi informasi dan efisiensi waktu. Akurasi diukur dengan membandingkan nilai jawaban partisipan dengan bantuan AI dan tanpa bantuan AI, sementara efisiensi waktu diukur dari durasi yang diperlukan untuk menyelesaikan tugas. Analisis statistik dilakukan menggunakan Wilcoxon signed-rank test untuk efisiensi waktu dan Mann- Whitney U test untuk akurasi jawaban demi menentukan signifikansi perbedaan antara kedua kelompok. Hasil penelitian menunjukkan bahwa penggunaan AI chatbot mampu mempercepat waktu yang dibutuhkan karyawan dalam pencarian informasi organisasi. Selain itu, implementasi AI chatbot mampu menyajikan jawaban dengan akurasi yang konsisten. Kesimpulan dari penelitian ini adalah integrasi AI chatbot dalam knowledge retrieval organisasi memberikan manfaat dalam hal efisiensi dan akurasi.

---

This research aims to develop and evaluate AI chatbot applications in the knowledge retrieval process in an organization. The application development methodology follows the Agile methodology, with stages including preliminary research, problem formulation, literature study, application development, and evaluation. The application was built using technologies such as Node.js, Next.js, and PostgreSQL, that implemented through the Vercel and GitHub platforms. This study used scenario-based tasks to evaluate the effectiveness of the chatbot with the GPT-3.5-turbo model. Participants were divided into two groups, one using the search method without the help of AI chatbot and the other getting the help of AI chatbot. The execution of scenario-based tasks in this study was carried out on the RM. Payakumbuah Cibubur and BPOM. In addition to these two organizations, trials were also conducted to validate the research model by conducting scenario-based tasks on the Fasilkom UI environment. Parameters measured included information accuracy and time efficiency. Accuracy was measured by comparing the value of participants answers with and without AI assistance, while time efficiency was measured by the duration required to complete the task. Statistical analysis was conducted using Wilcoxon signed-rank test for time efficiency and Mann-Whitney U test for answer accuracy to determine the significance of the difference between the two groups. The results showed that the use of AI chatbot was able to speed up the time required for employees to search for organizational information. In addition, the implementation of AI chatbot is able to present answers with consistent accuracy. The conclusion of this research is that the integration of AI chatbot in organizational knowledge retrieval provides benefits in terms of efficiency and accuracy."

"Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi aplikasi AI chatbot dalam proses pencarian pengetahuan atau knowledge retrieval pada suatu organisasi. Metodologi pengembangan aplikasi mengikuti metodologi Agile, dengan tahapan yang meliputi preliminary research, perumusan masalah, studi literatur, pengembangan aplikasi, dan evaluasi. Aplikasi dibangun menggunakan teknologi seperti Node.js, Next.js, dan PostgreSQL, serta diimplementasikan melalui platform Vercel dan GitHub. Penelitian ini menggunakan scenario-based task untuk mengevaluasi efektivitas chatbot dengan model GPT-3.5-turbo. Partisipan dibagi menjadi dua kelompok, satu menggunakan metode pencarian tanpa bantuan AI chatbot dan yang lain mendapatkan bantuan AI chatbot. Eksekusi scenario-based task pada penelitian ini dilakukan terhadap organisasi RM. Payakumbuah Cibubur dan BPOM. Selain dua organisasi tersebut, dilakukan juga uji coba untuk memvalidasi model penelitian dengan melakukan scenariobased task terhadap lingkungan Fasilkom UI. Parameter yang diukur termasuk di dalamnya akurasi informasi dan efisiensi waktu. Akurasi diukur dengan membandingkan nilai jawaban partisipan dengan bantuan AI dan tanpa bantuan AI, sementara efisiensi waktu diukur dari durasi yang diperlukan untuk menyelesaikan tugas. Analisis statistik dilakukan menggunakan Wilcoxon signed-rank test untuk efisiensi waktu dan Mann- Whitney U test untuk akurasi jawaban demi menentukan signifikansi perbedaan antara kedua kelompok. Hasil penelitian menunjukkan bahwa penggunaan AI chatbot mampu mempercepat waktu yang dibutuhkan karyawan dalam pencarian informasi organisasi. Selain itu, implementasi AI chatbot mampu menyajikan jawaban dengan akurasi yang konsisten. Kesimpulan dari penelitian ini adalah integrasi AI chatbot dalam knowledge retrieval organisasi memberikan manfaat dalam hal efisiensi dan akurasi.

---

This research aims to develop and evaluate AI chatbot applications in the knowledge retrieval process in an organization. The application development methodology follows the Agile methodology, with stages including preliminary research, problem formulation, literature study, application development, and evaluation. The application was built using technologies such as Node.js, Next.js, and PostgreSQL, that implemented through the Vercel and GitHub platforms. This study used scenario-based tasks to evaluate the effectiveness of the chatbot with the GPT-3.5-turbo model. Participants were divided into two groups, one using the search method without the help of AI chatbot and the other getting the help of AI chatbot. The execution of scenario-based tasks in this study was carried out on the RM. Payakumbuah Cibubur and BPOM. In addition to these two organizations, trials were also conducted to validate the research model by conducting scenario-based tasks on the Fasilkom UI environment. Parameters measured included information accuracy and time efficiency. Accuracy was measured by comparing the value of participants answers with and without AI assistance, while time efficiency was measured by the duration required to complete the task. Statistical analysis was conducted using Wilcoxon signed-rank test for time efficiency and Mann-Whitney U test for answer accuracy to determine the significance of the difference between the two groups. The results showed that the use of AI chatbot was able to speed up the time required for employees to search for organizational information. In addition, the implementation of AI chatbot is able to present answers with consistent accuracy. The conclusion of this research is that the integration of AI chatbot in organizational knowledge retrieval provides benefits in terms of efficiency and accuracy."

"Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi aplikasi AI chatbot dalam proses pencarian pengetahuan atau knowledge retrieval pada suatu organisasi. Metodologi pengembangan aplikasi mengikuti metodologi Agile, dengan tahapan yang meliputi preliminary research, perumusan masalah, studi literatur, pengembangan aplikasi, dan evaluasi. Aplikasi dibangun menggunakan teknologi seperti Node.js, Next.js, dan PostgreSQL, serta diimplementasikan melalui platform Vercel dan GitHub. Penelitian ini menggunakan scenario-based task untuk mengevaluasi efektivitas chatbot dengan model GPT-3.5-turbo. Partisipan dibagi menjadi dua kelompok, satu menggunakan metode pencarian tanpa bantuan AI chatbot dan yang lain mendapatkan bantuan AI chatbot. Eksekusi scenario-based task pada penelitian ini dilakukan terhadap organisasi RM. Payakumbuah Cibubur dan BPOM. Selain dua organisasi tersebut, dilakukan juga uji coba untuk memvalidasi model penelitian dengan melakukan scenariobased task terhadap lingkungan Fasilkom UI. Parameter yang diukur termasuk di dalamnya akurasi informasi dan efisiensi waktu. Akurasi diukur dengan membandingkan nilai jawaban partisipan dengan bantuan AI dan tanpa bantuan AI, sementara efisiensi waktu diukur dari durasi yang diperlukan untuk menyelesaikan tugas. Analisis statistik dilakukan menggunakan Wilcoxon signed-rank test untuk efisiensi waktu dan Mann- Whitney U test untuk akurasi jawaban demi menentukan signifikansi perbedaan antara kedua kelompok. Hasil penelitian menunjukkan bahwa penggunaan AI chatbot mampu mempercepat waktu yang dibutuhkan karyawan dalam pencarian informasi organisasi. Selain itu, implementasi AI chatbot mampu menyajikan jawaban dengan akurasi yang konsisten. Kesimpulan dari penelitian ini adalah integrasi AI chatbot dalam knowledge retrieval organisasi memberikan manfaat dalam hal efisiensi dan akurasi.

---

This research aims to develop and evaluate AI chatbot applications in the knowledge retrieval process in an organization. The application development methodology follows the Agile methodology, with stages including preliminary research, problem formulation, literature study, application development, and evaluation. The application was built using technologies such as Node.js, Next.js, and PostgreSQL, that implemented through the Vercel and GitHub platforms. This study used scenario-based tasks to evaluate the effectiveness of the chatbot with the GPT-3.5-turbo model. Participants were divided into two groups, one using the search method without the help of AI chatbot and the other getting the help of AI chatbot. The execution of scenario-based tasks in this study was carried out on the RM. Payakumbuah Cibubur and BPOM. In addition to these two organizations, trials were also conducted to validate the research model by conducting scenario-based tasks on the Fasilkom UI environment. Parameters measured included information accuracy and time efficiency. Accuracy was measured by comparing the value of participants answers with and without AI assistance, while time efficiency was measured by the duration required to complete the task. Statistical analysis was conducted using Wilcoxon signed-rank test for time efficiency and Mann-Whitney U test for answer accuracy to determine the significance of the difference between the two groups. The results showed that the use of AI chatbot was able to speed up the time required for employees to search for organizational information. In addition, the implementation of AI chatbot is able to present answers with consistent accuracy. The conclusion of this research is that the integration of AI chatbot in organizational knowledge retrieval provides benefits in terms of efficiency and accuracy."

"Skripsi ini membahas tentang implementasi text sequence classification menggu- nakan data pesan pengguna asli dari perusahaan e-commerce Indonesia, untuk meningkatkan performa chatbot perusahaan dalam memprediksi intent. Problem yang menjadi fokus dalam skripsi ini adalah bagaimana cara untuk menggunakan konteks-konteks yang ada pada pesan pengguna di awal sesi untuk memprediksi intent dari pesan pengguna yang ada di akhir sesi. Skripsi ini bekerja sama dengan salah satu perusahaan ecommerce di Indonesia dan menggunakan data dari percaka- pan antara pengguna dan chatbot yang dimiliki perusahaan. Setelah eksplorasi data dilakukan, ditemukan bahwa terdapat ketidakseimbangan pada data sehingga di- gunakan focal loss agar model dapat memprediksi dengan baik intent-intent yang memiliki data sedikit. Selain itu, data juga diaugmentasi, yakni pesan-pesan peng- guna dalam sesi percakapan yang sama digabungkan agar konteks pada pesan per- tama dapat digunakan untuk memprediksi intent pada pesan selanjutnya. Penelitian ini juga bereksperimen dengan model LSTM dan Bi-LSTM, serta menggunakan attention layer untuk memilih data yang lebih penting daripada yang lain. Hasil penelitian menunjukkan bahwa model yang diajukan pada akhir penelitian berhasil menyaingi model perusahaan yang sebelumnya. Selain itu, penulis juga melakukan analisis kesalahan dan menemukan bahwa model memiliki performa yang rendah ketika memprediksi beberapa intent, hal ini disebabkan oleh adanya kesamaan kan- dungan kata pada intent-intent tersebut, sehingga model mengalami kesulitan mem- bedakan intent-intent tersebut.

---

This thesis talks about the implementation of text sequence classification on real user message data of an e-commerce company in Indonesia. It aims in improving the company’s chatbot performance in predicting intents. The problem that is the main focus of this thesis is how to use the contexts in the user’s message at the beginning of the session to predict the intent of the user’s message at the end of the session. This thesis collaborates with an e-commerce company in Indonesia and uses data from conversations between users and the company’s chatbot. After exploring the data, it was found that there is an imbalance in the data so that focal loss is used so that the model can predict well the intents that have little data. In addition, the data is also augmented, where user messages in the same conversation session are combined so that the context of the first message can be used to predict the intent of the next message. This work also includes experiments on the use of LSTM and Bi-LSTM models, and used the attention layer to select data that are more important than others. The experiment result shows that the proposed model is successful in competing with the company’s past model. In addition, the author also conducted an error analysis where it was found that the model has low performance when predicting a number of particular intents, this is due to the similarity of the wording of the intents and because of that, the model has difficulty in distinguishing the intents."

"Penelitian ini bertujuan untuk mengembangkan sistem chatbot yang mampu menjawab pertanyaan seputar akademik Teknik Komputer UI. Sistem ini memanfaatkan teknologi Large Language Model (LLM) Komodo-7B yang telah di-fine-tuning dengan teknik Low-Rank Adaptation (LoRA) dan diintegrasikan dengan Retrieval Augmented Generation (RAG). Dataset Ultrachat yang diterjemahkan ke Bahasa Indonesia digunakan untuk fine-tuning model Komodo-7B, sementara dokumen PDF Kurikulum Teknik Komputer UI 2020 v4 digunakan sebagai sumber informasi untuk model RAG.Pengujian performa model Komodo-7B menunjukkan bahwa LoRA efektif dalam meningkatkan kemampuan model dalam memahami dan menghasilkan teks percakapan Bahasa Indonesia. Namun, pengujian performa chatbot menggunakan dua dataset pertanyaan, yaitu dataset custom yang dihasilkan menggunakan Giskard dan API ChatGPT, dan dataset Fathurrahman Irwansa yang telah diadaptasi, menunjukkan bahwa sistem chatbot masih memiliki ruang untuk peningkatan. Tingkat akurasi yang rendah pada kedua dataset (32% pada dataset custom dan 24,1% pada dataset Fathur) mengindikasikan bahwa sistem retrieval yang digunakan kurang akurat dalam menemukan konteks yang relevan. Meskipun demikian, ketika model RAG dapat mengambil konteks yang relevan, model Komodo-7B menunjukkan akurasi yang cukup tinggi (80% pada dataset custom dan 91,29% pada dataset Fathur, dihitung dari jumlah ketika kedua Komodo-7B dan konteks benar, kemudian dibagi dengan jumlah ketika konteks benar).Hasil penelitian menunjukkan bahwa model Komodo-7B memiliki potensi yang baik untuk digunakan pada sistem chatbot jika dikombinasikan dengan sistem retrieval yang lebih akurat. Penelitian ini memberikan kontribusi dalam pengembangan sistem chatbot berbasis LLM untuk menjawab pertanyaan seputar akademik, dan membuka peluang untuk penggunaan yang lebih luas di lingkungan Universitas Indonesia.

---

This research aims to develop a chatbot system capable of answering questions regarding the academic curriculum of Computer Engineering at Universitas Indonesia. The system utilizes the Komodo-7B Large Language Model (LLM), fine-tuned with Low-Rank Adaptation (LoRA) and integrated with Retrieval Augmented Generation (RAG). The Ultrachat dataset, translated into Indonesian, is used for fine-tuning the Komodo-7B model, while the 2020 v4 Computer Engineering Curriculum PDF document serves as the information source for the RAG model. Performance evaluation of the Komodo-7B model demonstrates that LoRA effectively enhances the model's ability to understand and generate Indonesian text. However, chatbot performance testing using two question datasets, a custom dataset generated using Giskard and the ChatGPT API, and the Fathur dataset adapted from prior research, reveals that the chatbot system still has room for improvement. The low accuracy on both datasets (32% on the custom dataset and 24.1% on the Fathur dataset) indicates that the retrieval system employed is not sufficiently accurate in finding relevant context. Nevertheless, when the RAG model successfully identifies relevant context, the Komodo-7B model exhibits relatively high accuracy (80% on the custom dataset and 91.29% on the Fathur dataset, calculated from the total of when Komodo-7B and the context are both correct, then divided by the total of when the context is correct). The research findings suggest that the Komodo-7B model holds significant potential for chatbot systems when combined with a more accurate retrieval system. This study contributes to the development of LLM-based chatbot systems for answering academic-related questions and opens up opportunities for broader applications within Universitas Indonesia."

"Agen customer service tidak dapat beroperasi 24 jam sehari, sehingga diperlukan sebuah program untuk mengatasi masalah ini, salah satunya adalah chatbot. Sejak munculnya makalah "Attention is All You Need", kualitas chatbot telah meningkat secara signifikan. Salah satu kegunaan utama chatbot adalah untuk menyediakan customer service 24 jam, sehingga memungkinkan agen customer service untuk fokus pada pertanyaan yang lebih kompleks. Untuk mengembangkan chatbot yang efektif yang dapat menjawab pertanyaan pelanggan, diperlukan data percakapan antara pelanggan dan agen, serta model pembelajaran mesin yang dilatih pada data ini. Dalam penelitian ini, eksperimen dilakukan menggunakan empat model yang berbeda: T5, BART, DistilGPT2, dan GPT2, untuk menentukan model terbaik yang dapat memberikan jawaban yang relevan kepada pelanggan. Model-model ini dievaluasi menggunakan metrik BLEU dan ROUGE untuk menentukan kualitas terbaik. Hasil eksperimen menunjukkan bahwa GPT2 adalah model terbaik untuk keperluan customer service. Untuk membuat model ini dapat diakses oleh pelanggan, diperlukan sebuah aplikasi web. Aplikasi web ini dikembangkan dengan menguji tiga frontend framework: Next.js, Vue.js, dan Angular, serta tiga backend framework: FastAPI, Flask, dan Django, untuk menentukan kombinasi yang memberikan respons tercepat. Frontend framework dievaluasi menggunakan Google Lighthouse. Backend framework dievaluasi menggunakan metrik Average Response Time. Hasil eksperimen menunjukkan bahwa Next.js adalah frontend framework terbaik dan FastAPI adalah backend framework terbaik. Untuk menangani sejumlah besar pelanggan secara bersamaan, chatbot ini memerlukan infrastruktur yang memungkinkan penggunaan paralel. Infrastruktur disediakan menggunakan Terraform untuk mengurangi langkah-langkah pengembangan dan memfasilitasi replikasi infrastruktur yang dikembangkan. Infrastruktur yang diuji adalah mikroservis dan monolitik, keduanya dapat diskalakan. Infrastruktur ini dievaluasi menggunakan metrik waktu respons dan tingkat kegagalan. Hasil eksperimen menunjukkan bahwa arsitektur monolitik cukup untuk menangani chatbot.

---

Customer service agents cannot operate 24 hours a day, thus a program is needed to address this issue, one of which is a chatbot. Since the emergence of the paper "Attention is All You Need", the quality of chatbots has improved significantly. One of the main uses of chatbots is to provide 24-hour customer service, thus allowing customer service agents to focus on more complex inquiries. To develop an effective chatbot that can answer customer questions, conversation data between customers and agents, as well as a machine learning model trained on this data, are required. In this research, experiments were conducted using four different models: T5, BART, DistilGPT2, and GPT2, to determine the best model that can provide relevant answers to customers. These models were evaluated using BLEU and ROUGE metrics to determine the best quality. The experimental results showed that GPT2 is the best model for customer service purposes. To make this model accessible to customers, a website is required. This website was developed by testing three frontend frameworks: Next.js, Vue.js, and Angular, and three backend frameworks: FastAPI, Flask, and Django, to determine the combination that provides the fastest response. The frontend frameworks were evaluated using Google Lighthouse. The backend frameworks were evaluated using the Average Response Time metric. The experimental results showed that Next.js is the best frontend framework and FastAPI is the best backend framework. To handle a large number of customers simultaneously, this chatbot requires infrastructure that allows parallel usage. Infrastructure is provided using Terraform to reduce development steps and facilitate the replication of developed infrastructure. The tested infrastructures are microservices and monolithic, both of which are scalable. This infrastructure is evaluated using response time and failure rate metrics. The experimental results indicate that the monolithic architecture is sufficient for handling a chatbot."

"Agen customer service tidak dapat beroperasi 24 jam sehari, sehingga diperlukan sebuah program untuk mengatasi masalah ini, salah satunya adalah chatbot. Sejak munculnya makalah ”Attention is All You Need”, kualitas chatbot telah meningkat secara signifikan. Salah satu kegunaan utama chatbot adalah untuk menyediakan customer service 24 jam, sehingga memungkinkan agen customer service untuk fokus pada pertanyaan yang lebih kompleks. Untuk mengembangkan chatbot yang efektif yang dapat menjawab pertanyaan pelanggan, diperlukan data percakapan antara pelanggan dan agen, serta model pembelajaran mesin yang dilatih pada data ini. Dalam penelitian ini, eksperimen dilakukan menggunakan empat model yang berbeda: T5, BART, DistilGPT2, dan GPT2, untuk menentukan model terbaik yang dapat memberikan jawaban yang relevan kepada pelanggan. Model-model ini dievaluasi menggunakan metrik BLEU dan ROUGE untuk menentukan kualitas terbaik. Hasil eksperimen menunjukkan bahwa GPT2 adalah model terbaik untuk keperluan customer service. Untuk membuat model ini dapat diakses oleh pelanggan, diperlukan sebuah aplikasi web. Aplikasi web ini dikembangkan dengan menguji tiga frontend framework: Next.js, Vue.js, dan Angular, serta tiga backend framework: FastAPI, Flask, dan Django, untuk menentukan kombinasi yang memberikan respons tercepat. Frontend framework dievaluasi menggunakan Google Lighthouse. Backend framework dievaluasi menggunakan metrik Average Response Time. Hasil eksperimen menunjukkan bahwa Next.js adalah frontend framework terbaik dan FastAPI adalah backend framework terbaik. Untuk menangani sejumlah besar pelanggan secara bersamaan, chatbot ini memerlukan infrastruktur yang memungkinkan penggunaan paralel. Infrastruktur disediakan menggunakan Terraform untuk mengurangi langkah-langkah pengembangan dan memfasilitasi replikasi infrastruktur yang dikembangkan. Infrastruktur yang diuji adalah mikroservis dan monolitik, keduanya dapat diskalakan. Infrastruktur ini dievaluasi menggunakan metrik waktu respons dan tingkat kegagalan. Hasil eksperimen menunjukkan bahwa arsitektur monolitik cukup untuk menangani chatbot.

---

Customer service agents cannot operate 24 hours a day, thus a program is needed to address this issue, one of which is a chatbot. Since the emergence of the paper ”Attention is All You Need”, the quality of chatbots has improved significantly. One of the main uses of chatbots is to provide 24-hour customer service, thus allowing customer service agents to focus on more complex inquiries. To develop an effective chatbot that can answer customer questions, conversation data between customers and agents, as well as a machine learning model trained on this data, are required. In this research, experiments were conducted using four different models: T5, BART, DistilGPT2, and GPT2, to determine the best model that can provide relevant answers to customers. These models were evaluated using BLEU and ROUGE metrics to determine the best quality. The experimental results showed that GPT2 is the best model for customer service purposes. To make this model accessible to customers, a website is required. This website was developed by testing three frontend frameworks: Next.js, Vue.js, and Angular, and three backend frameworks: FastAPI, Flask, and Django, to determine the combination that provides the fastest response. The frontend frameworks were evaluated using Google Lighthouse. The backend frameworks were evaluated using the Average Response Time metric. The experimental results showed that Next.js is the best frontend framework and FastAPI is the best backend framework. To handle a large number of customers simultaneously, this chatbot requires infrastructure that allows parallel usage. Infrastructure is provided using Terraform to reduce development steps and facilitate the replication of developed infrastructure. The tested infrastructures are microservices and monolithic, both of which are scalable. This infrastructure is evaluated using response time and failure rate metrics. The experimental results indicate that the monolithic architecture is sufficient for handling a chatbot."

"Agen customer service tidak dapat beroperasi 24 jam sehari, sehingga diperlukan sebuah program untuk mengatasi masalah ini, salah satunya adalah chatbot. Sejak munculnya makalah "Attention is All You Need", kualitas chatbot telah meningkat secara signifikan. Salah satu kegunaan utama chatbot adalah untuk menyediakan customer service 24 jam, sehingga memungkinkan agen customer service untuk fokus pada pertanyaan yang lebih kompleks. Untuk mengembangkan chatbot yang efektif yang dapat menjawab pertanyaan pelanggan, diperlukan data percakapan antara pelanggan dan agen, serta model pembelajaran mesin yang dilatih pada data ini. Dalam penelitian ini, eksperimen dilakukan menggunakan empat model yang berbeda: T5, BART, DistilGPT2, dan GPT2, untuk menentukan model terbaik yang dapat memberikan jawaban yang relevan kepada pelanggan. Model-model ini dievaluasi menggunakan metrik BLEU dan ROUGE untuk menentukan kualitas terbaik. Hasil eksperimen menunjukkan bahwa GPT2 adalah model terbaik untuk keperluan customer service. Untuk membuat model ini dapat diakses oleh pelanggan, diperlukan sebuah aplikasi web. Aplikasi web ini dikembangkan dengan menguji tiga frontend framework: Next.js, Vue.js, dan Angular, serta tiga backend framework: FastAPI, Flask, dan Django, untuk menentukan kombinasi yang memberikan respons tercepat. Frontend framework dievaluasi menggunakan Google Lighthouse. Backend framework dievaluasi menggunakan metrik Average Response Time. Hasil eksperimen menunjukkan bahwa Next.js adalah frontend framework terbaik dan FastAPI adalah backend framework terbaik. Untuk menangani sejumlah besar pelanggan secara bersamaan, chatbot ini memerlukan infrastruktur yang memungkinkan penggunaan paralel. Infrastruktur disediakan menggunakan Terraform untuk mengurangi langkah-langkah pengembangan dan memfasilitasi replikasi infrastruktur yang dikembangkan. Infrastruktur yang diuji adalah mikroservis dan monolitik, keduanya dapat diskalakan. Infrastruktur ini dievaluasi menggunakan metrik waktu respons dan tingkat kegagalan. Hasil eksperimen menunjukkan bahwa arsitektur monolitik cukup untuk menangani chatbot.

---

Customer service agents cannot operate 24 hours a day, thus a program is needed to address this issue, one of which is a chatbot. Since the emergence of the paper "Attention is All You Need", the quality of chatbots has improved significantly. One of the main uses of chatbots is to provide 24-hour customer service, thus allowing customer service agents to focus on more complex inquiries. To develop an effective chatbot that can answer customer questions, conversation data between customers and agents, as well as a machine learning model trained on this data, are required. In this research, experiments were conducted using four different models: T5, BART, DistilGPT2, and GPT2, to determine the best model that can provide relevant answers to customers. These models were evaluated using BLEU and ROUGE metrics to determine the best quality. The experimental results showed that GPT2 is the best model for customer service purposes. To make this model accessible to customers, a website is required. This website was developed by testing three frontend frameworks: Next.js, Vue.js, and Angular, and three backend frameworks: FastAPI, Flask, and Django, to determine the combination that provides the fastest response. The frontend frameworks were evaluated using Google Lighthouse. The backend frameworks were evaluated using the Average Response Time metric. The experimental results showed that Next.js is the best frontend framework and FastAPI is the best backend framework. To handle a large number of customers simultaneously, this chatbot requires infrastructure that allows parallel usage. Infrastructure is provided using Terraform to reduce development steps and facilitate the replication of developed infrastructure. The tested infrastructures are microservices and monolithic, both of which are scalable. This infrastructure is evaluated using response time and failure rate metrics. The experimental results indicate that the monolithic architecture is sufficient for handling a chatbot."