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 Ilmu Komputer
Baliyamalkan, Mohammad Nafi'
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

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

Found 1 Documents
Search

 1 
Pembangkitan Respons pada Model Seq2seq Chatbot Berbahasa Indonesia dengan Multimodal Learning (Intensi dan Entitas) Baliyamalkan, Mohammad Nafi'; Perdana, Rizal Setya; Adikara, Putra Pandu
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 9 (2024): September 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Helpdesk TIK UB adalah layanan helpdesk daring untuk membantu menyelesaikan permasalahan mengenai teknologi informasi di Universitas Brawijaya (UB). Helpdesk TIK UB dapat digunakan oleh seluruh civitas academica Universitas Brawijaya. Pelayanan Helpdesk TIK UB tersedia selama hari dan jam kerja, sehingga permasalahan yang mendesak di luar jam kerja tidak langsung dilayani. Salah satu bentuk teknologi yang dapat menyelesaikan permasalahan tersebut adalah penerapan chatbot pada Helpdesk TIK UB. Salah satu model chatbot adalah Sequence to Sequence (Seq2seq) Model yang dikembangkan oleh Sutskever, Vinyals, dan Le pada tahun 2014. Permasalahan yang ditemukan dari Seq2seq Model adalah model ini lebih berfokus pada generasi kata serta kurang memperhitungkan maksud dan konteks dari pengguna (Mustapha et al., 2008; Vinyals and Le, 2015; Dudy, Bedrick and Webber, 2021). Penelitian ini berupaya untuk mengatasi masalah tersebut dengan menambahkan modalitas intensi dan entitas serta menerapkan multimodal learning menggunakan Seq2seq Modality Translation Model. Hasil dari penelitian ini adalah penggunaan multimodal learning dengan modalitas intensi dan entitas membuat BLEU Score yang dihasilkan model menurun. Namun, kombinasi multimodal yang tepat justru dapat membuat model menangkap konteks kalimat lebih tepat sehingga dapat menghasilkan keluaran yang lebih baik. Hasil penelitian ini menunjukkan bahwa multimodal learning dengan modalitas intensi dan entitas dapat diterapkan pada pembangkitan respons model Seq2seq chatbot berbahasa Indonesia.
Co-Authors Putra Pandu Adikara Rizal Setya Perdana