<![CDATA[Chatbot merupakan sistem percakapan berbasis kecerdasan buatan yang mampu memberikan respons otomatis terhadap pertanyaan pengguna secara real-time. Penelitian ini mengimplementasikan metode Convolutional Neural Network (CNN) yang diintegrasikan dengan Word Embedding berbasis Word2Vec untuk mengklasifikasikan pertanyaan pada chatbot Nova AI yang dikembangkan khusus bagi mahasiswa Fakultas Ilmu Komputer dan Teknologi Informasi (FIKTI) Universitas Muhammadiyah Sumatera Utara (UMSU). Dataset terdiri dari 619 pertanyaan dalam bahasa Indonesia yang dikategorikan ke dalam enam kelas intent: dekan, dosen, fakultas, kaprodi, sapaan, dan UKT, dengan pembagian 495 data latih (79,97%) dan 124 data uji (20,03%). Pipeline praproses teks mencakup case folding, tokenisasi, representasi Word2Vec berdimensi 100, pengindeksan kata, dan padding dengan max_len=10. Arsitektur CNN yang dibangun terdiri atas lapisan Embedding, Conv1D (64 filter, kernel 3, ReLU), GlobalMaxPooling1D, Dense 64 unit ReLU, dan Dense output 6 unit Softmax. Model dilatih selama 20 epoch menggunakan optimizer Adam dengan learning rate 0,001 dan fungsi loss Sparse Categorical Crossentropy. Hasil evaluasi menunjukkan akurasi model sebesar 99,19%, dengan satu kesalahan klasifikasi pada intent kaprodi yang teridentifikasi sebagai dekan. Pengujian sistem Nova AI berbasis Streamlit menghasilkan tingkat keberhasilan 83,33% (25 dari 30 skenario pengujian). Penelitian ini membuktikan bahwa kombinasi CNN dan Word Embedding mampu mengklasifikasikan intent chatbot dengan akurasi tinggi dan dapat diimplementasikan dalam aplikasi nyata berbasis web.]]>
Copyrights © 2026
