<![CDATA[Kebutuhan organisasi terhadap pengambilan keputusan berbasis data mendorong pemanfaatan data warehouse yang kini semakin diakses melalui pendekatan Conversational Analytics berbasis bahasa alami. Namun, sebagian besar sistem Conversational Analytics saat ini bersifat black-box: mampu menerjemahkan pertanyaan bahasa alami menjadi query dan menghasilkan jawaban analitik, tetapi tanpa penjelasan mengenai proses pembentukan query, logika agregasi, maupun sumber data yang digunakan. Ketiadaan transparansi ini menjadi masalah krusial dalam konteks enterprise, di mana akuntabilitas dan kemampuan audit sangat diperlukan. Penelitian sebelumnya lebih berfokus pada akurasi NLP dan optimalisasi penerjemahan bahasa alami ke SQL, sementara aspek explainability dalam conversational analytics untuk data warehouse belum terintegrasi secara sistematis ke dalam arsitektur sistem. Untuk menjawab kesenjangan tersebut, penelitian ini mengusulkan kerangka Explainable Conversational Analytics (ECA) yang menambahkan lapisan explainability pada proses interpretasi bahasa alami, pembentukan query, dan penyajian hasil analitik. Hasil pengujian menunjukkan akurasi konversi bahasa alami ke SQL sebesar 90% dan Overall Clarity Score sebesar 4,27 (skala 1-5), yang mengindikasikan bahwa mekanisme explainability yang diusulkan mampu meningkatkan transparansi serta kepercayaan pengguna terhadap sistem analitik berbasis AI.]]>
Copyrights © 2026
