Publisher

UBMUBM

Journal Jurnal Algoritma, Logika dan KomputasiJurnal Algoritma, Logika dan Komputasi Abstract

Perkembangan teknologi informasi mendorong kebutuhan mahasiswa dan lembaga pendidikan untuk memahami berbagai macam data akademik, seperti nilai ujian, tingkat kehadiran, dan kinerja belajar. Namun, penyajian data dalam bentuk tabel atau grafik seringkali sulit dipahami, terutama oleh pengguna yang tidak familiar dengan analisis statistik. Penelitian ini bertujuan untuk mengembangkan chatbot analisis data mahasiswa berbasis teknologi Natural Language Processing (NLP) dan Machine Learning, supaya informasi akademik dapat diakses dengan cepat, mudah, dan interaktif. Metode yang digunakan adalah Term Frequency – Inverse Document Frequency (TF-IDF) untuk mengubah teks pertanyaan pengguna menjadi vektor numerik dan Logistic Regression untuk mengklasifikasikan intent. Dataset berisi data akademik 5.000 mahasiswa dan model dilatih dengan supervised learning dengan pembagian data 80% untuk training dan 20% untuk testing. Hasil evaluasi chatbot menunjukkan akurasi 83% dengan nilai precision 0.86, recall 0.83, dan F1-score 0.82. Chatbot dapat menjawab berbagai pertanyaan seperti jumlah mahasiswa, nilai tertinggi, hingga rata-rata kehadiran. Kesimpulannya, integrasi Natural Language Processing, Term Frequency – Inverse Document Frequency, dan Logistic Regression terbukti efisien dalam analisis data akademik dan dukungan pengambilan keputusan di lingkungan pendidikan.

Conclusion

Penelitian ini berhasil mengembangkan chatbot analisis data mahasiswa berbasis NLP dan machine learning yang mampu memberikan respons relevan terhadap pertanyaan pengguna.Chatbot ini menggunakan algoritma TF-IDF dan Logistic Regression untuk memahami maksud pertanyaan dan memberikan jawaban yang sesuai dengan data akademik yang tersedia.Hasil evaluasi menunjukkan akurasi yang cukup baik, yaitu 83%, yang menunjukkan potensi chatbot ini sebagai alat bantu dalam analisis data akademik dan pengambilan keputusan di lingkungan pendidikan.

Future Research

Berdasarkan hasil penelitian ini, beberapa saran penelitian lanjutan dapat dipertimbangkan. Pertama, perlu dilakukan peningkatan model dengan teknik seperti cross-validation dan hyperparameter tuning untuk meningkatkan akurasi, terutama dalam hal recall. Kedua, pengembangan dataset dengan menambahkan lebih banyak data pelatihan, khususnya untuk intent yang jarang muncul, akan membantu chatbot mengenali variasi pertanyaan yang lebih beragam. Ketiga, integrasi fitur lanjutan seperti visualisasi data akan memberikan pengalaman yang lebih mendalam bagi pengguna dalam memahami data akademik mereka. Penelitian lanjutan ini diharapkan dapat menghasilkan chatbot yang lebih cerdas, akurat, dan bermanfaat bagi mahasiswa dan institusi pendidikan.

References

1. A Smart Chatbot Architecture based NLP and Machine Learning for Health Care Assistance | Proceedings... dl.acm.org/doi/10.1145/3386723.3387897A Smart Chatbot Architecture based NLP and Machine Learning for Health Care Assistance Proceedings dl acm doi 10 1145 3386723 3387897
2. Pengembangan Chatbot Layanan Publik Menggunakan Machine Learning Dan Natural Languange Processing | Journal... doi.org/10.35438/jits.v1i1.16Pengembangan Chatbot Layanan Publik Menggunakan Machine Learning Dan Natural Languange Processing Journal doi 10 35438 jits v1i1 16
3. Detection of Sarcasm Sentences in Indonesian Tweets using SentiStrength | IEEE Conference Publication... ieeexplore.ieee.org/document/10057904Detection of Sarcasm Sentences in Indonesian Tweets using SentiStrength IEEE Conference Publication ieeexplore ieee document 10057904

Metadata

File size	744.52 KB
Pages	11
DMCA	Report