<![CDATA[Perkembangan teknologi informasi dalam bidang Natural Language Processing (NLP) membuka peluang pemanfaatan chatbot sebagai solusi layanan informasi berbasis website yang interaktif dan responsive di tengah keterbatasan tenaga pelayanan dan waktu operasional. Chatbot memungkinkan pengguna memperoleh informasi secara real-time tanpa keterlibatan operator manusia secara langsung, sehingga dapat meningkatkan efisiensi dan ketersediaan layanan. Penelitian ini bertujuan mengembangkan chatbot berbasis Framework Really Awesome Software Automation (RASA) pada Website Bank Sampah Sriwilis serta menganalisis pengaruh konfigurasi pipeline Natural Language Understanding (NLU) terhadap performa klasifikasi intent. Metode pengembangan sistem menggunakan model Waterfall yang meliputi tahap analisis kebutuhan, perancangan sistem, implementasi, dan pengujian. Dataset disusun dalam bahasa Indonesia, terdiri dari 9 intent dengan total 250 kalimat. Eksperimen dilakukan terhadap tiga konfigurasi pipeline, yaitu DIETClassifier sebagai model baseline, DIETClassifier dengan penambahan fitur leksikal melalui RegexFeaturizer dan LexicalSyntacticFeaturizer, serta LogisticRegressionClassifier sebagai model pembanding. Evaluasi kinerja model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model berbasis DIETClassifier memberikan peningkatan performa akurasi sebesar 5% dibandingkan Logistic Regression. Konfigurasi model dengan penambahan pipeline RegexFeaturizer dan LexicalSyntacticFeaturizer menghasilkan nilai accuracy terbaik sebesar 93%, precision 93%, recall 91%, dan F1-score 91%. Dengan demikian, pemilihan konfigurasi pipeline yang tepat serta penerapan fitur tambahan berpengaruh signifikan terhadap peningkatan performa chatbot berbasis RASA pada layanan informasi Bank Sampah Sriwilis.]]>
Copyrights © 2026
