<![CDATA[Perkembangan Large Language Models (LLM) memungkinkan pembangunan chatbot yang mampu menyediakan layanan informasi secara lebih interaktif. Di lingkungan perguruan tinggi, mahasiswa sering mengalami kesulitan memperoleh informasi akademik dari dokumen resmi, seperti Panduan Skripsi Fakultas Ilmu Komputer Universitas Brawijaya (FILKOM UB). Pendekatan Retrieval-Augmented Generation (RAG) digunakan untuk mengatasi permasalahan tersebut dengan memanfaatkan vector database sebagai media penyimpanan dan pencarian konteks yang relevan. Penelitian ini bertujuan menganalisis dan membandingkan kinerja tiga vector database, yaitu Pinecone, Supabase (pgvector), dan Qdrant, pada implementasi chatbot layanan panduan skripsi berbasis RAG menggunakan platform n8n. Dokumen Panduan Skripsi FILKOM UB digunakan sebagai knowledge base. Evaluasi dilakukan menggunakan 30 pertanyaan uji dengan metrik Retrieval Latency, Context Recall, Context Precision, Faithfulness, dan Answer Relevancy melalui framework RAGAS. Hasil penelitian menunjukkan bahwa Supabase memiliki rata-rata Retrieval Latency tercepat sebesar 804,67 ms, sedangkan Pinecone memperoleh nilai tertinggi pada Context Recall (0,878), Faithfulness (0,518), dan Answer Relevancy (0,760), sementara Supabase memperoleh Context Precision tertinggi sebesar 1,000. Berdasarkan keseluruhan metrik evaluasi, Pinecone menunjukkan performa paling seimbang dalam menghasilkan konteks dan jawaban yang relevan, sedangkan Supabase unggul pada aspek kecepatan retrieval. Hasil penelitian ini diharapkan dapat menjadi referensi dalam pemilihan vector database untuk pengembangan chatbot layanan akademik berbasis RAG di lingkungan perguruan tinggi.]]>
Copyrights © 2026
