Pendeteksian Topik pada Chatbot dengan Information State dan Mixture-Language Model untuk Menentukan Alur Percakapan.

(1)

ABSTRAK

Proses pengelolaan dialogue yang ada pada aplikasi chatbot adalah sesuatu yang sangat penting. Pengelolaan dialog menjadi bagian utama dari sistem ini. Dengan terkelolanya dialog memungkinkan sistem untuk mengenali kondisi yang ada pada saat proses terjadi. Pendekatan yang baik bagi pengenalan kondisi ini dapat dimodelkan dengan Information State yang mengenali isi percakapan dan mengelompokkan percakapan menjadi bagian-bagian tertentu. Pengenalan bagian-bagian percakapan yang diubah menjadi pengenalan kondisi percakapan membantu sistem mengeluarkan jawaban yang baik dan sesuai dengan masukan dari pengguna sistem. Dengan memanfaatkan pengenalan kondisi ini mempermudah pemberian jawaban dengan mengelompokkan jawaban sesuai dengan kondisi yang sedang terjadi. Jawaban yang dikeluarkan oleh sistem tidak hanya langsung dari hasil query database atau dari hasil temu balik informasi, melainkan melalui pembobotan sesuai Mixture-Language Model. hasil temu balik tersebut dapat dipilah lagi mana yang sesuai dengan kondisi yang terjadi. Dialogue management mengelompokkan dialog berdasarkan masukan pengguna sebelumnya yang kemudian disimpulkan oleh sistem bahwa sebuah masukan atau kondisi berada dalam salah satu kategori state yang didefinisikan oleh sistem. Untuk menghasilkan jawaban yang paling relevan dengan masukan pengguna sesuai perhitungan Mixture-Language Model. Chatbot diujikan dalam beberapa domain untuk dapat diketahui hasil dan alur berjalannya program yang dibatasi dalam domain-domain yang ditentukan dengan pengujian untuk menuju sebuah hasil yang diinginkan.

(2)

ABSTRACT

Process managing dialogue that chatbot have is something that very important. Managing dialogue became the core of the system. A well manage dialogue make system more able to approach the current condition. When the condition is well approached, it can help the system to developed a model of information state that is used to recognize the information within conversation to become multiple information in smaller size. A conversation recognition that change into condition recognition improve in system ability to give answer that suit for input from user. A good condition approach will make categorizing the answer easier. A system supposed to give information according to the current condition. The answer that system has do not come only from the information retrieval process to database, but also from weighting term from information by using a mixture-language mode. Dialogue management categorize dialogue according do previous inputs, then system make a conclusion that an input goes into one or another category to make a more relevant answer. Chatbot tested to know how the system work by using a few decided domains.

(3)

DAFTAR ISI

LEMBAR PENGESAHAN ... i

PERNYATAAN ORISINALISTAS LAPORAN PENELITIAN ... ii

PERNYATAAN PUBLIKASI LAPORAN PENELITIAN ... iii

PRAKATA ... iv

ABSTRAK ... v

ABSTRACT ... vi

DAFTAR ISI ... vii

DAFTAR GAMBAR ... xi

DAFTAR TABEL ... xiii

DAFTAR NOTASI/ LAMBANG ... xiv

DAFTAR SINGKATAN ... xvi

DAFTAR RUMUS ... xvii

BAB 1 PENDAHULUAN ... 1

1.1 Latar Belakang Masalah ... 1

1.2 Rumusan Masalah ... 2

1.3 Tujuan Pembahasan ... 2

1.4 Ruang Lingkup ... 3

1.5 Sumber Data ... 3

1.6 Sistematika Penyajian ... 3

BAB 2 KAJIAN TEORI ... 5

2.1 Kecerdasan Buatan ... 5

2.2 Chatbot ... 5

2.3 Dialogue Management ... 9

(4)

2.5 Temu Balik Informasi ... 10

2.5.1 Sistem Dasar Temu Balik Informasi ... 10

2.5.2 Documents dan Update ... 11

2.5.3 Language Model ... 11

2.5.4 Mixture-Language Model... 11

BAB 3 ANALISIS DAN RANCANGAN SISTEM ... 13

3.1 Identifikasi Masalah ... 13

3.2 Analisis Sistem ... 13

3.2.1 Alur Kerja sistem ... 14

3.2.2 Mekanisme sistem ... 18

3.2.3 Mixture Language Model ... 21

3.2.4 Dialogue Management ... 23

3.3 Gambaran Keseluruhan ... 25

3.3.1 Persyaratan Antarmuka External... 26

3.3.2 Persyaratan Antarmuka Pengguna ... 26

3.3.3 Antarmuka Perangkat Keras ... 26

3.3.5 Fitur-Fitur Perangkat Lunak ... 27

3.4 Desain Perangkat Lunak ... 33

3.4.1 Pemodelan Perangkat Lunak ... 33

3.4.2 Desain Penyimpanan Data ... 38

3.4.3 Rancangan Antarmuka Pengguna ... 39

BAB 4 IMPLEMENTASI ... 41

4.1 Implementasi Class Diagrama ... 41

4.1.1 Class Lingkungan ... 41

4.1.2 Class Term ... 42

(5)

4.1.4 Interface iEngine ... 43

4.1.5 Class Engine Actuator ... 44

4.1.6 Class Mixture Language Model ... 45

4.1.7 Class Dialogue ... 45

4.1.8 Class Dialogue Manager ... 46

4.2 Sequence Diagram ... 46

4.2.1 Sequence Diagram Rebuild Database ... 46

4.2.2 Sequence Diagram Dialogue Manager ... 47

4.3 Proses Sistem ... 49

4.3.1 Pembaharuan Database ... 49

4.3.2 Indexing ... 49

4.3.3 Term Detection ... 50

4.3.4 Dialogue Management ... 50

4.3.5 Pergerakan Kondisi Percakapan ... 53

4.4 Panduan Pengguna ... 54

4.4.1 Halaman Login dan Daftar ... 54

4.4.2 Halaman Manage Data ... 55

4.4.3 Halaman Utama ... 55

BAB 5 PENGUJIAN ... 57

5.1 Study Case ... 57

5.1.1 Alur Program ... 57

5.1.2 Domain FAQ Jurusan Teknik Informatika di Universitas Kristen Maranatha ... 66

5.1.3 Domain Teknologi ... 68

5.2 Pengujian Black Box ... 70

(6)

5.2.2 Pengujian Database dan Knowledge Based ... 71

5.2.3 Pengujian Dialogue Manager ... 72

BAB 6 SIMPULAN DAN SARAN ... 73

6.1 Simpulan ... 73

6.2 Saran ... 73

(7)

DAFTAR GAMBAR

Gambar 2.1 A.L.I.C.E Chatbot [5] ... 6

Gambar 2.2 Elbot chatbot [6]... 7

Gambar 2.3 Eliza Chatbot [7] ... 8

Gambar 2.4 Cleverbot Chatbot ... 9

Gambar 3.1 Gambaran Umum program... 14

Gambar 3.2 Alur Validasi Pengguna ... 15

Gambar 3.3 Alur Validasi Database ... 16

Gambar 3.4 Alur Deteksi Kondisi Percakapan ... 17

Gambar 3.5 Alur Deteksi Topik ... 18

Gambar 3.6 Alur Kondisi Percakapan ... 19

Gambar 3.7 UseCase Chatbot ... 34

Gambar 3.8 Acivity Diagram Keseluruhan Sistem ... 35

Gambar 3.9 Acivity Diagram Pembaharuan Database ... 36

Gambar 3.10 Activity Diagram Identifikasi Term ... 37

Gambar 3.11 Acivity Diagram Dialogue Manager ... 38

Gambar 3.12 ERD Chatbot ... 39

Gambar 3.13 Antarmuka Login... 40

Gambar 3.14 Antarmuka utama ... 40

Gambar 4.1 Class Diagram Chatbot ... 41

Gambar 4.2 Class Diagram Lingkungan ... 42

Gambar 4.3 Class Diagram Term ... 42

Gambar 4.4 Class Diagram Location ... 43

Gambar 4.5 Class Diagram Interface iEngine ... 44

Gambar 4.6 Class Diagram Engine Actuator ... 44

Gambar 4.7 Class Diagram Mixture Language Model ... 45

Gambar 4.8 Class Diagram Dialogue ... 45

Gambar 4.9 Class Diagram Dialogue Manager ... 46

Gambar 4.10 Sequence Diagram Rebuild Database... 47

Gambar 4.11 Sequence Diagram Dialogue Manager ... 48

(8)

Gambar 4.13 Contoh Membalas Pertanyaan ... 51

Gambar 4.14 Contoh Membalas Subtopik ... 51

Gambar 4.15 Contoh Membalas Tidak Bersangkutan dan Peralihan Topik ... 52

Gambar 4.16 Contoh Interaksi ... 52

Gambar 4.17 Contoh Membalas Sapaan Akhir dan Akhir Program ... 52

Gambar 4.18 Referensi kemungkinan jawaban untuk masukan pengguna ... 53

Gambar 4.19 Inisialisasi Topik tanpa sapaan ... 53

Gambar 4.20 Form Login dan SignUp ... 55

Gambar 4.21 Halaman Manage Data ... 55

Gambar 4.22 Halaman Utama ... 56

Gambar 5.1 Pengujian Sapaan Masuk Program ... 57

Gambar 5.2 Pengujian inisialisasi Topik ... 58

Gambar 5.3 Pengujian Pembahasan Topik ... 58

Gambar 5.4 Pengujian Pembahasan Subtopik ... 59

Gambar 5.5 Pengujian Peralihan topik... 59

Gambar 5.6 Pengujian Kondisi Penutup ... 59

Gambar 5.7 Hasil Penutupan percakapan. ... 60

Gambar 5.8 Pengujian FAQ ... 67

Gambar 5.9 Pengujian berganti domain pertanyaan dari domain FAQ ... 67

Gambar 5.10 Pengujian Pertanyaan pada Domain FAQ ... 68

Gambar 5.11 Pengujian Domain Teknologi... 69

Gambar 5.12 Hasil Temu balik dari Pengujian ... 69

Gambar 5.13 Pengujian Domain Teknologi dengan masukan berganti topik ... 69

(9)

DAFTAR TABEL

Tabel 3.1 Tabel Contoh Tuning Lambda terhadap data ... 22

Tabel 3.2 Tabel Tuning Term Terhadap Dokumen ... 22

Tabel 3.3 Tabel Tembobotan term perdomain ... 24

Tabel 5.1 Pengujian Login ... 70

Tabel 5.2 Pengujian Database ... 71

(10)

DAFTAR NOTASI/ LAMBANG

Jenis Notasi/ Lambang Nama Arti

Flowchart Simbol Arus/

Flow

Menyatakan jalannya arus proses

Flowchart Simbol One

to Many

Menunjukan relasi One to Many dari

entitas

Flowchart Simbol

Process

Proses yang dilakukan oleh mesin

Flowchart Simbol

Manual

Proses yang dilakukan oleh

manusia

Flowchart Simbol

Database

Proses yang Masukan/Keluaran yang menggunakan

Database

Flowchart Simbol

Decission

Menunjukkan kondisi tertentu yang

akan menghasilkan dua kemungkinan Architecture/

Komponen Sistem

Simbol arus /

Flow Alur proses berjalan Architecture/ Komponen Sistem Simbol Database Proses yang menggunakan database Architecture/ Komponen Sistem Simbol Process Proses yang dilakukan oleh sistem

Use Case Actor

Pengguna sistem yang berinteraksi dengan sistem

Use Case Use Case

Use Case, digambarkan dengan

eclipse yang di beri nama

(11)

Jenis Notasi/ Lambang Nama Arti

Use Case Asociation Penghubung Actor

dengan Use Case

Activity Initial State Awal Aktivitas

Activity Final State Akhir Aktivitas

Activity Activity Menandakan aktivitas

Activity Decission Menandakan

mengambil keputusan

Activity Control

Flow Arus aktivitas

Sequence Actor

Lifeline

Garis Waktu Aktor Pengguna program

Sequence Object

Lifeline

Garis Waktu Objek pada program

Sequence Message

Pesan yang dikirim atau metode yang

dipanggil

Sequence Return

Message

Kembalian program atau metode Referensi:

Notasi/ Lambang Flowchart dari Ir. Fathansyah [1] Notasi/ Lambang UML dari Roger S. Pressman [2]

(12)

DAFTAR SINGKATAN

AI Artificial Intelligence

IR Information Retrieval MLM Mixture Language Model

DM Dialogue Management

UML Unified Modelling Language ERD Entity Relational Diagram IS Information State

(13)

DAFTAR RUMUS

Rumus 2.1 General Language Model Equation ... 12 Rumus 2.2 Mixture-Language Model Equation... 12

(14)

BAB 1

PENDAHULUAN

Pada bab ini akan membahas beberapa materi antara lain Latar Belakang Masalah, Rumusan Masalah, Tujuan Pembahasan, Ruang Lingkup, Sumber Data, dan Sistematika Penulisan.

1.1Latar Belakang Masalah

Teknologi dan Informasi semakin berkembang dan memberikan pengaruh besar dalam kehidupan sehari-hari. Pesatnya perkembangan teknologi saat ini dapat dilihat dari banyaknya sistem yang dibuat berdasarkan konsep kecerdasan buatan atau Artificial Intelligence (AI). Kecerdasan buatan diharapkan dapat membantu dan mempermudah pengguna dalam memanfaatkan dan mencari informasi yang dibutuhkan dalam data yang semakin bertambah banyak. Salah satu bagian dari kecerdasan buatan yang dapat membantu pengguna untuk mencari informasi dalam sebuah lingkup tertentu atau lingkup besar adalah chatbot.

Chatbot berdasarkan kamus Bahasa Inggris OXFORD merupakan program komputer yang dirancang untuk menyimulasikan percakapan dengan manusia sebagai penggunanya. Sedangkan, menurut Jizhou Huang chatbot adalah sebuah agen percakapan yang berinteraksi dengan pengguna dalam sebuah domain tertentu atau dalam topik tertentu dengan menggunakan kalimat berbahasa alami [3]. Chatbot dapat membantu pengguna untuk mencari data yang dibutuhkan tanpa harus mencarinya sendiri. Teknologi yang digunakan untuk pembuatan chatbot adalah dengan memanfaatkan dialogue management yang berfungsi mengatur percakapan yang dilakukan oleh chatbot dengan pengguna dan temu balik informasi atau Information Retrieval (IR) sebagai cara untuk melakukan pencarian informasi bagi percakapan.

Ada beberapa contoh aplikasi chatbot yang sudah dipublikasikan dan digunakan oleh banyak orang. Contoh chatbot yang sering diugnakan adalah ALICE, Elbot, Eliza dan Cleverbot. Chatbot umumnya menerima masukan dari pengguna lalu memberikan jawaban. Chatbot juga dapat di desain untuk mendeteksi kondisi percakapan sebagai basis untuk mengatur alur percakapan dan mendeteksi inti dari masukan yang akan dijadikan topik utama percakapan. Kondisi

(15)

percakapan dideteksi dengan mencari kata-kata tertentu sebagai kata kunci dan mengelompokkan percakapan tersebut berdasarkan kata kunci yang ditemukan ke dalam sebuah state yang ditentukan berdasarkan pemodelan Information State. Dengan adanya state dan topik percakapan, maka dialogue manager dapat mengatur alur percakapan antara chatbot dengan penggunanya.

Agar percakapan antara chatbot dengan pengguna dapat dilakukan dengan baik maka diperlukan basis pengetahuan bagi sistem dan cara pencarian yang sesuai dengan kondisi sistem. Pengetahuan bagi sistem disimpan dalam basis data dan proses pencarian informasi yang dibutuhkan oleh sistem untuk melakukan percakapan akan dilakukan dengan menggunakan pemodelan temu balik informasi Mixture-Language Model. Dengan adanya indexing untuk optimasi pencarian dan data statistik dari setiap informasi maka didapatkan hasil temu balik yang optimal.

1.2Rumusan Masalah

Berdasarkan uraian latar belakang masalah, masalah dapat diuraikan sebagai berikut:

Bagaimana cara mengembangkan sistem yang dapat berinteraksi dengan memanfaatkan Information State?

Bagaimana cara mengembangkan sistem dapat mengatur percakapan dengan memanfaatkan pendeteksian topik dari masukan pengguna?

Bagaimana cara mengembangkan sistem yang dapat memberikan informasi yang relevan dengan metode Mixture-Language Model pengguna?

1.3Tujuan Pembahasan

Berdasarkan latar belakang dan rumusan masalah yang telah dipaparkan, maka dapat ditentukan tujuan Tugas Akhir antara lain :

Mengembangkan sistem yang dapat berinteraksi dengan pengguna.

Mengembangkan sistem yang dapat mengatur alur percakapan dengan memanfaatkan Information State-based model.

Mengembangkan sistem yang dapat memberikan informasi dengan metode Mixture-Language Model yang relevan sesuai masukan pengguna.

(16)

1.4Ruang Lingkup

Ruang Lingkup penelitian yang akan dilakukan berdasarkan latar belakang, rumusan masalah dan tujuan penelitian, yaitu:

Dialogue Management dengan konsep Information State. Temu balik dengan pemodelan Mixture-Language Modeling.

Studi kasus dengan domain “FAQ Jurusan S1 Teknik Informatika Universitas Kristen Maranatha” dan “Teknologi”

1.5Sumber Data

Sumber data yang digunakan untuk pembuatan sistem ini adalah:

Data-data utama diperoleh dari buku-buku tentang kecerdasan buatan, Information State, Dialogue Manager dan Information Retrieval

Data-data studi kasus dari website Jurusan S1 Teknik Informatika Universitas Kristen Maranatha dan dari portal berita

Data-data tambahan akan diperoleh dari buku, internet, dan sumber lainnya untuk mendukung data utama.

1.6Sistematika Penyajian

Sistematika penyajian dari laporan ini adalah sebagai berikut : BAB I. Pendahuluan

Bab ini berisi tentang pendahuluan yang terdiri dari latar belakang, rumusan masalah, tujuan pembahasan, ruang lingkup kajian, sumber data, dan sistematika pembahasan laporan tugas akhir.

BAB II. Kajian Teori

Bab ini berisi tentang penjelasan teori-teori yang berkaitan dengan pembuatan aplikasi dan mendukung pembuatan aplikasi yang ada.

BAB III. Analisis dan Rancangan Sistem

Bab ini akan berisi tentang penjelasan dan analisa dari suatu keadaan, kebutuhan aplikasi, perancangan aplikasi, UML, dan ERD.

BAB IV. Hasil Penelitian

Bab ini berisi tentang penjelasan perencanaan tahap implementasi, proses perkembangan implementasi, dan realisasi fungsionalitas aplikasi.

(17)

BAB V. Pembahasan dan Uji Coba Hasil Penelitian

Bab ini berisi penjelasan rencana pengujian sistem serta uji coba aplikasi. BAB VI. Simpulan dan Sarana

(18)

BAB 6

SIMPULAN DAN SARAN

Setelah melaksanakan penelitian serta hasil pembahasan yang telah diuraikan pada bab-bab sebelumnya, maka pada bab ini akan disampaikan kesimpulan dan saran yang diharapkan berguna dan bermanfaat untuk penelitian selanjutnya. Adapun simpulan dan saran dari penelitian ini, yaitu:

6.1Simpulan

Berdasarkan studi kasus yang dilakukan pada Alur Program dan Domain FAQ Jurusan Teknik Informatika di Universitas Kristen Maranatha, Domain Teknologi, dan untuk setiap kondisi seperti pada Gambar 5.1sampai Gambar 5.7, Pengujian Kasus Terbaik dan Terburuk, Pengujian Alur Peralihan Percakapan serta Pengujian Black Box yang telah dilakukan maka simpulan yang dapat diperoleh dari hasil analisis, pembuatan, implementasi, dan pengujian sistem ini adalah:

Aplikasi ini dapat mendeteksi kondisi percakapan berdasarkan konsep Information State dan melakukan pergerakan State sesuai masukan pengguna. Aplikasi ini dapat menyimpan data untuk di proses pada database sebagai dasar perhitungan untuk metode Mixture-Language Model

Aplikasi ini dapat mendeteksi topik utama dari masukan pengguna dan serta melakukan temu balik yang relevan dengan menggunakan metode Mixture-Language Model.

Data yang digunakan sebagai knowledge-based memiliki hasil lebih baik setelah melalui proses perbaikan data seperti Gambar 5.12 dibandingkan data yang tidak melalui proses perbaikan data seperti pada Gambar 5.17

6.2Saran

Berdasarkan simpulan di atas, Study Case, dan Pengujian Black Box penulis memberikan saran dengan harapan dapat memberikan manfaat bagi pembaca dan orang-orang yang ingin melakukan penelitian di bidang ini, di antaranya yaitu:

Mengembangkan Domain yang lebih besar dengan memberikan teknik pemisahan ke dalam domain data secara otomatis untuk data berjumlah besar.

(19)

Menggunakan natural language untuk proses pembuatan jawaban bagi masukan sistem yang sesuai dengan bahasa alami pengguna.

Melakukan proses perbaikan data untuk informasi yang akan digunakan sebagai knowledge-based

Melakukan proses stemming untuk setiap term yang terdeteksi untuk meningkatkan akurasi kata.

(20)

DAFTAR PUSTAKA

[1] I. Fathansyah, Basis Data, Bandung: Informatika, 2007.

[2] R. S. Pressman, Software Enginering a Practical Approach, New York: The McGraw-Hill Companies, Inc., 2005.

[3] Huang, Jizhou. Zhou, MIng. Yang, Dan, “Extracting Chatbot Knowledge

from Online Discussion Forums,” 2007. [Online].

[4] P. C. Jackson Jr, Introduction to Artificial Intelligence, New York: Dover Publications, Inc, 1985.

[5] I. A.L.I.C.E. AI Foundation, “Alicebot,” [Online]. Available: http://www.alicebot.org/about.html. [Diakses 17 march 2016].

[6] F. Roberts, “ Elbot the Robot,” Fred Roberts, 2015. [Online]. Available: http://www.elbot.com/chatterbot-elbot/. [Diakses 17 march 2016].

[7] “Eliza Chat bot,” [Online]. Available: http://nlp-addiction.com/eliza/. [Diakses 17 march 2016].

[8] R. Carpenter, “Cleverbot,” Rollo Carpenter, 2015. [Online]. Available: http://www.cleverbot.com/. [Diakses 17 march 2016].

[9] Human media Interaction Department University of Twente, “Multimodal Dialogue Management - State of Art,” University of Twente, Twente, 2006. [10] C. Lee, S. Jung, S. Kim dan G. G. Lee, “Example-based dialog modeling for

practical multi-domain dialog system,” Department of Computer Science and Engineering, Pohang University of Computer Science and Technology, Pohang, 2009.

[11] G. A. Salton, Automatic Information Organization and Retrieval, New York: The McGraw-Hill Companies, Inc., 1968.

[12] C. D. manning, P. Raghavan dan H. Schütze, An Introduction to Information Retrieval, Cambridge: Cambridge University Press, 2009.

[13] Object Management Group, “Business Process Model and Notation Resource

Page,” 9 June 2014. [Online]. Available:

(21)

[14] R. C. Clark dan R. E. Mayer, E-learning and the science of instruction: Proven guidelines for consumers and designers of multimedia learning, 3rd penyunt., San Francisco, CA: Jossey-Bass, 2011.

[15] D. M. Kroenke dan D. J. Auer, Database Processing: Fundamentals, Design, and Implementation, Upper Saddle River, New Jersey: Pearson Education, Inc., 2012.

[16] K. C. Laudon dan J. P. Laudon, Management Information Systems: Managing the Digital Firms, 12th penyunt., Upple Saddle River, NJ: Prentice Hall, 2012. [17] T.-H. Wang, “Developing an assessment-centered e-Learning system for improving student learning effectiveness,” Computers & Education, vol. 73, pp. 189-203, 2014.

[18] D. R. Shavkat, “Penerapan Data Mining untuk Memprediksi Fluktuasi Harga

Saham Menggunakan Metode Classification dengan Teknik Decision Tree,”

[Online]. Available:

http://elib.unikom.ac.id/gdl.php?mod=browse&op=read&id=jbptunikompp-gdl-dadanshavk-26780. [Diakses 1 Mar 2013].

(1)

Universitas Kristen Maranatha

1.4Ruang Lingkup

Ruang Lingkup penelitian yang akan dilakukan berdasarkan latar belakang, rumusan masalah dan tujuan penelitian, yaitu:

Dialogue Management dengan konsep Information State. Temu balik dengan pemodelan Mixture-Language Modeling.

Studi kasus dengan domain “FAQ Jurusan S1 Teknik Informatika Universitas

Kristen Maranatha” dan “Teknologi”

1.5Sumber Data

Sumber data yang digunakan untuk pembuatan sistem ini adalah:

Data-data utama diperoleh dari buku-buku tentang kecerdasan buatan, Information State, Dialogue Manager dan Information Retrieval

Data-data studi kasus dari website Jurusan S1 Teknik Informatika Universitas Kristen Maranatha dan dari portal berita

Data-data tambahan akan diperoleh dari buku, internet, dan sumber lainnya untuk mendukung data utama.

1.6Sistematika Penyajian

Sistematika penyajian dari laporan ini adalah sebagai berikut : BAB I. Pendahuluan

Bab ini berisi tentang pendahuluan yang terdiri dari latar belakang, rumusan masalah, tujuan pembahasan, ruang lingkup kajian, sumber data, dan sistematika pembahasan laporan tugas akhir.

BAB II. Kajian Teori

Bab ini berisi tentang penjelasan teori-teori yang berkaitan dengan pembuatan aplikasi dan mendukung pembuatan aplikasi yang ada.

BAB III. Analisis dan Rancangan Sistem

Bab ini akan berisi tentang penjelasan dan analisa dari suatu keadaan, kebutuhan aplikasi, perancangan aplikasi, UML, dan ERD.

BAB IV. Hasil Penelitian

Bab ini berisi tentang penjelasan perencanaan tahap implementasi, proses perkembangan implementasi, dan realisasi fungsionalitas aplikasi.

(2)

BAB V. Pembahasan dan Uji Coba Hasil Penelitian

Bab ini berisi penjelasan rencana pengujian sistem serta uji coba aplikasi. BAB VI. Simpulan dan Sarana

(3)

Universitas Kristen Maranatha

BAB 6

SIMPULAN DAN SARAN

6.1Simpulan

Aplikasi ini dapat mendeteksi topik utama dari masukan pengguna dan serta melakukan temu balik yang relevan dengan menggunakan metode Mixture-Language Model.

6.2Saran

Mengembangkan Domain yang lebih besar dengan memberikan teknik pemisahan ke dalam domain data secara otomatis untuk data berjumlah besar.

(4)

Menggunakan natural language untuk proses pembuatan jawaban bagi masukan sistem yang sesuai dengan bahasa alami pengguna.

Melakukan proses perbaikan data untuk informasi yang akan digunakan sebagai knowledge-based

Melakukan proses stemming untuk setiap term yang terdeteksi untuk meningkatkan akurasi kata.

(5)

Universitas Kristen Maranatha

DAFTAR PUSTAKA

[1] I. Fathansyah, Basis Data, Bandung: Informatika, 2007.

[2] R. S. Pressman, Software Enginering a Practical Approach, New York: The McGraw-Hill Companies, Inc., 2005.

[3] Huang, Jizhou. Zhou, MIng. Yang, Dan, “Extracting Chatbot Knowledge from Online Discussion Forums,” 2007. [Online].