<![CDATA[Penerapan asisten virtual pada layanan publik membutuhkan kemampuan klasifikasi intensi yang cepat dan akurat untuk memahami maksud dari pertanyaan warga. Tantangan utama pada data teks layanan publik adalah penggunaan bahasa yang tidak baku serta variasi panjang kalimat yang beragam. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Bidirectional Long Short-Term Memory (Bi-LSTM) dan Bidirectional Gated Recurrent Unit (Bi-GRU) dalam mengenali intensi berbahasa Indonesia, baik dari segi akurasi prediksi maupun efisiensi waktu komputasi. Sebanyak 2.000 baris data kueri yang terbagi ke dalam empat kelas intensi digunakan dalam pelatihan model, dimana data tersebut dihasilkan melalui teknik augmentasi Few-Shot Prompting menggunakan Large Language Model (LLM). Evaluasi dilakukan menggunakan metrik pengujian klasifikasi serta pencatatan waktu latih dan waktu inferensi. Hasil penelitian menunjukkan bahwa model Bi-LSTM unggul dengan tingkat akurasi mencapai 99%, sedangkan Bi-GRU mendapatkan akurasi sebesar 95%. Penurunan metrik pada model Bi-GRU sangat dipengaruhi oleh kelemahan retensi memori saat memproses kata kunci penentu yang letaknya berjauhan di dalam kalimat. Dari segi komputasi, Bi-GRU terbukti lebih efisien pada saat proses pelatihan dengan memakan waktu 7,62 detik dibandingkan Bi-LSTM yang membutuhkan 28,04 detik. Meskipun demikian, kedua arsitektur tersebut mencatatkan waktu inferensi yang sangat cepat dan setara, yaitu berkisar 1,7 milidetik per sampel teks. Pengujian tambahan pada data kueri baru yang tidak baku membuktikan bahwa penerapan normalisasi teks dengan kamus slang sangat membantu Bi-LSTM dalam mempertahankan akurasi hingga 100%. Temuan dari penelitian ini menyimpulkan bahwa Bi-LSTM merupakan pilihan yang lebih optimal untuk diimplementasikan pada sistem chatbot interaktif karena mampu menyeimbangkan akurasi tinggi dan kecepatan respons secara real-time.]]>
Copyrights © 2026
