Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Komunikasi (JUPTIK)
Nazruddin Safaat H.
Universitas Islam Negeri Sultan Syarif Kasim Riau
Computer Science & IT Control & Systems Engineering Engineering Library & Information Science

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Chatbot Generative AI Berbasis Hybrid RAG dengan Integrasi RIASEC untuk Rekomendasi Jurusan Dwi Mahdini; Nazruddin Safaat H.; Yelfi Vitriani; Muhammad Irsyad
Jurnal Pengembangan Teknologi Informasi dan Komunikasi (JUPTIK) Vol. 4 No. 1 (2026): JURNAL PENGEMBANGAN TEKNOLOGI INFORMASI DAN KOMUNIAKSI (JUPTIK)
Publisher : Universitas Muhammadiyah Muara Bungo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52060/juptik.v4i1.4373

Abstract

Ketidaksesuaian antara minat siswa dan jurusan yang dipilih masih menjadi permasalahan yang dapat memengaruhi keberhasilan akademik serta perencanaan karier. Di sisi lain, keterbatasan layanan bimbingan karier menyebabkan tidak semua siswa memperoleh konsultasi yang sesuai dengan kebutuhan mereka. Penelitian ini bertujuan merancang dan mengimplementasikan chatbot rekomendasi jurusan berbasis Hybrid Retrieval Augmented Generation (Hybrid RAG) yang terintegrasi dengan model kepribadian RIASEC. Arsitektur yang diusulkan menggunakan Query Router untuk memisahkan pemrosesan data terstruktur dan tidak terstruktur ke dalam dua jalur, yaitu jalur relasional berbasis MySQL untuk pengolahan hasil asesmen RIASEC dan jalur semantik berbasis FAISS untuk pencarian informasi dari knowledge base. Sistem dikembangkan dengan memanfaatkan Large Language Model yang dipadukan dengan mekanisme retrieval untuk menghasilkan respons yang kontekstual dan personal. Evaluasi sistem dilakukan menggunakan Black-Box Testing, BERTScore, dan RAGAS. Hasil pengujian menunjukkan bahwa arsitektur Hybrid RAG memperoleh nilai Precision rata-rata sebesar 0,769, Recall sebesar 0,778, dan F1-Score sebesar 0,774, lebih tinggi dibandingkan arsitektur RAG standar yang memperoleh F1-Score sebesar 0,728. Evaluasi menggunakan RAGAS juga menunjukkan kualitas retrieval dan faithfulness yang tinggi. Hasil penelitian menunjukkan bahwa integrasi Hybrid RAG dan RIASEC mampu meningkatkan kualitas rekomendasi jurusan yang lebih personal serta mendukung layanan konsultasi akademik berbasis kecerdasan buatan.
Co-Authors Dwi Mahdini Muhammad Irsyad yelfi Vitriani