<![CDATA[Tujuan: Penelitian yang dilakukan adalah membuat chatbot yang mampu mengklasifikasikan teks soal berdasarkan maksud/label secara lebih tepat, dan membantu memudahkan pelajar dalam memperoleh informasi tambahan terkait layanan UKT (Uang Kuliah Tunggal) dan biaya pendidikan. Chatbot ini mampu mengatasi keterbatasan yang dialami oleh Tata Usaha Fakultas Teknik (TU FT) Universitas Tidar, seperti human delay dalam merespon email atau live chat, keterbatasan jam layanan (office hour), dan keterbatasan informasi pada website kampus. Chatbot dikembangkan menggunakan pendekatan Natural Language Processing (NLP) dan algoritma Deep Learning BiDirectional Long Short-Term Memory (BiLSTM). Hasil sistem chatbot diintegrasikan ke dalam aplikasi Telegram untuk melihat tingkat kepuasan pengguna setelah berinteraksi.Desain/metodologi/pendekatan: Proses penelitian ini diawali dengan pengumpulan dataset berupa pertanyaan dan jawaban yang telah diberi tag atau label dalam format file JSON. Dataset tersebut dilakukan proses normalisasi teks atau preprocessing Natural Language Processing (NLP), dimana pada tahap ini dilakukan lower case atau case lipat, penghapusan tanda baca, penghapusan spasi berlebih, stopword dan stemming dengan perpustakaan Sastrawi, tokenisasi, dan padding. Selanjutnya dilakukan proses split dataset dengan Bagi 80% pelatihan 20% pengujian, sebelum diolah menjadi fitur ekstraksi, menggunakan FastText untuk penyematan kata. Selanjutnya dilakukan proses klasifikasi teks pertanyaan dengan model BiDirectional Long Short-Term Memory (BiLSTM) dan dilanjutkan evaluasi dengan matriks konvergensi. Tahap terakhir, yaitu integrasi chatbot ke dalam bot Telegram, kemudian dilakukan pengujian pengguna terhadap chatbot dan pengukuran tingkat kepuasan dengan metode Customer Satisfaction Score (CSAT).Temuan/Hasil: Model akurasi klasifikasi menghasilkan nilai sebesar 96,05% dan pengujian pengguna dengan penerapan metode Customer Satisfaction Score (CSAT) memberikan tingkat kepuasan rata-rata pada rentang 4 (Puas) dan 5 (Sangat Puas) dengan hasil sebesar 88,86% berdasarkan poin-poin berikut 'Kepuasan terhadap jawaban yang diberikan', 'Pemahaman pertanyaan dan jawaban mudah dipahami', dan 'Kinerja sesuai harapan'.Orisinalitas/nilai/keadaan terkini: Penelitian tentang klasifikasi teks pertanyaan pada chatbot dengan pendekatan Natural Language Processing (NLP) dan model BiDirectional Long Short-Term Memory (BiLSTM) untuk menangani permasalahan pertanyaan jawab layanan UKT (Uang Kuliah Tunggal) dan biaya pendidikan Fakultas Teknik Universitas Tidar belum pernah dilakukan sebelumnya.]]>
