BAB II

LANDASAN TEORI

A. Artificial Intelligence

Menurut Elaine R. dan Kevin K. (2009: p.3), “Artificial Intelligence (AI) adalah studi

pembelajaran yang membuat komputer melakukan pekerjaan manusia yang saat ini

manusia melakukannya dengan baik.”

Menurut Prateek Joshi (2019: p.1), “Artificial Intelligence (AI) adalah cara untuk

membuat mesin berpikir dan berperilaku cerdas. Mesin ini dikendalikan oleh perangkat

lunak di dalamnya, sehingga AI memiliki banyak hubungannya dengan perangkat lunak

cerdas program yang mengendalikan mesin ini. Ini adalah ilmu menemukan teori dan

metodologi yang dapat membantu mesin memahami dunia dan bereaksi sesuai terhadap

situasi yang sama dengan manusia perbuat.”

AI dapat dikategorikan menjadi dua tipe menurut Stuart Russel dan Peter Norvig

(2016), yaitu:

1. Weak AI

Mesin dengan kekuatan AI yang lemah digunakan manusia hanya untuk

membantu kegiatan manusia secara spesifik dan tidak dapat berfikir untuk dirinya

sendiri.

2. Strong AI

Mesin dengan kekuatan AI yang kuat dapat berfikir selayaknya manusia biasa,

dan dapat belajar dari pengalaman yang didapatkan. Jika di kembangkan lagi

dapat melakukan self-decision atau pengambilan keputusan saat beberapa masalah

terjadi.

Pada AI terdapat proses yang dijelaskan oleh Prateek Joshi (2017: p.3), yaitu:

1. Collecting data

Pengumpulan data yang akan dilakukan untuk keperluan training data

kedalam sistem kecerdasan AI.

2. Preprocess

Data yang dikumpulkan akan melalui proses preprocess yang akan diubah

menjadi informasi.

3. Cognition

Dari informasi yang telah diekstraksi dari data akan melalui proses cognition

yang akan menjadi suatu knowledge.

4. Pattern extraction

Dari knowledge tersebut akan dilakukan pattern extraction dengan tujuan agar

dapat dimengerti oleh sistem.

5. Inference

Setelah melalui pattern extraction akan dilalukan tahap terakhir yaitu

inference atau melalukan kesimpulan yang digunakan sebagai intelligence dari

sistem.

AI juga mempunyai beberapa cabang untuk menyelesaikan masalah-masalah yang

ada pada saat ini, yaitu:

1. Computer Vision

Tujuan pada cabang ilmu ini adalah untuk membuat komputer memahami data

visual. Memahami hal ini berarti bahwa informasi diperoleh oleh komputer dapat

berguna untuk aplikasi yang sedang di buat. Nilai piksel sebagai fitur dari data

visual dan biasanya akan ada preprocessing untuk meningkatkan kualitas fitur.

2. Robotics

Tujuan dari cabang ini adalah membuat perangkat mekanik atau biasanya

disebut robot untuk melakukan pekerjaan yang ekstrem yang tidak dapat dicapai

oleh manusia atau menggantikan beberapa pekerjaan manusia.

3. Expert System

Tujuan dari cabang ini adalah membuat AI yang dapat membuat solusi yang

biasanya membutuhkan kemampuan proses pemikiran manusia. Konsep expert

system adalah untuk mentransfer pengetahuan dari seseorang yang mahir dalam

apa yang mereka lakukan ke dalam mesin. Tujuan utamanya adalah untuk

memudahkan proses penerimaan informasi.

4. Natural Language Processing

Tujuan dari cabang ini adalah untuk membuat manusia berkomunikasi dengan

mesin dengan bahasa sehari-hari. Mesin tersebut dapat mengetahui dan menjawab

dengan bahasa sehari-hari. NLP terdiri dari syntactic analysis dan semantic

analysis. Syntactic analysis akan memecah kalimat menjadi kata kerja, kata ganti,

dan sebagainya. Sedangkan semantic analysis mencoba menganalisa makna

kalimat.

5. Machine Learning

Tujuan dari cabang ini adalah untuk mengidentifikasi pola dalam data dan

menyesuaikan dengan sistem, pada sistem machine learning dapat mempelajari

pola dengan informasi yang diberikan secara otomatis.

B. Natural Language Processing

Menurut James Pustejovsky (2012 : p.4), “Natural Language Processing (NLP)

adalah penerapan ilmu komputer, khususnya linguistik komputasional (computational

linguistics), untuk mengkaji interaksi antara komputer dengan bahasa (alami) manusia.”

Menurut Stuart Russel dan Peter Norvig (2016 : p.16), “Natural Language Processing

atau Computational Linguistics adalah gabungan dari linguistik modern dan AI, yang

lahir hampir bersamaan dan membentuk sesuatu bidang teknologi hybrid yang digunakan

dalam memahami suatu maksud, subjek dan objek dari konteks bahasa yang

disampaikan.”

Tujuan NLP adalah merancang dan membangun aplikasi yang memfasilitasi interaksi

manusia dengan mesin dan perangkat lain melalui penggunaan bahasa alami.

Berdasarkan James Pustejovsky (2012: p.4) dalam penerapannya, tujuan NLP untuk

memahami bahasa manusia ini telah diterapkan pada beberapa bidang, yang antara lain

adalah sebagai berikut:

1. Question Answering System (QAS)

Question Answering adalah disiplin ilmu komputer dalam bidang Information

Retrieval dan Natural Language Processing (NLP), yang berkaitan dengan

membangun sistem yang secara otomatis menjawab pertanyaan yang diajukan

oleh manusia dengan bahasa alami. Misalkan bertanya pada komputer atau ponsel

mengenai jam berapa restoran favorit kita di New York berhenti melayani makan

malam pada hari Jumat malam. Daripada mengetikkan kumpulan kata kunci yang

meragukan ke jendela browser pencarian, Kita bisa bertanya dalam bahasa yang

sederhana dan alami seperti bahasa Inggris, Mandarin, atau Spanyol.

2. Summarization

Area ini termasuk aplikasi yang dapat mengambil koleksi dokumen atau

email, dan buat ringkasan yang koheren dari konten mereka. Program semacam

itu juga bertujuan untuk memberikan ringkasan lift dokumen yang lebih panjang,

dan mungkin bahkan mengubahnya menjadi presentasi slide.

3. Machine Translation

Pengaplikasian NLP yang difokuskan, ini adalah jurusan pertama bidang

penelitian dan teknik di lapangan. Program seperti Google Terjemahan menjadi

lebih baik dan lebih baik, tetapi aplikasi terbaik sebenarnya adalah BabelFish yang

diterjemahkan secara real-time ketika sedang mencari kereta yang tepat untuk

menangkap di Beijing.

4. Speech Recognition

Ini adalah salah satu masalah paling sulit di NLP. Disisi ini telah banyak

kemajuan dalam membangun model yang dapat digunakan di ponsel atau

komputer untuk mengenali ucapan bahasa lisan yang merupakan pertanyaan dan

perintah.

5. Document Classification

Ini adalah salah satu area NLP paling sukses, di mana tugasnya adalah

mengidentifikasi kategori (atau nampan) dokumen mana yang harus dimasukkan.

Ini telah terbukti sangat berguna untuk aplikasi seperti penyaringan spam, artikel

berita klasifikasi, dan ulasan film, antara lain. Satu alasan mengapa hal ini terjadi

dampak besar adalah kesederhanaan relatif dari model pembelajaran yang

dibutuhkan untuk pelatihan algoritma yang melakukan klasifikasi.

Menurut Jurafsky, D. dan Martin H.James (2008), NLP terdiri dari syntactic analysis

dan semantic analysis. Syntactic analysis akan memecah kalimat menjadi kata kerja, kata

ganti, dan sebagainya. Sedangkan semantic analysis mencoba menganalisa makna

kalimat.

a. Syntactic analysis

Syntactic berasal dari kata Yunani yaitu syntaxis, yang artinya “menyusun

kembali suatu susunan” atau dapat diartikan sebagai bagaimana

menyusun/memecah suatu kata. Syntactic mempunyai tiga komponen utama

yaitu:

1) Constituency.

2) Grammatical relations, yaitu suatu formalisasi ide dari kalimat

tradisional seperti subjek dan objek, atau keterangan, dan sebagainya.

Contoh dalam hal ini yaitu, “Dia” adalah subjek dan “sarapan” adalah

objek.

3) Subcategorization and dependency,

b. Semantic analysis

Semantic analysis adalah proses dimana sebuah representasi suatu kalimat

dibuat dan ditugaskan untuk input linguistik. Pada dasarnya, analisis semantik

akan membaca suatu ekspresi kalimat dan mencoba untuk mencari makna dari

kalimat tersebut. Berikut adalah suatu kalimat yang membutuhkan analisis

semantik:

1) Menjawab soal esai saat ujian.

2) Memutuskan apa yang harus dipesan saat di restoran dengan membaca

menu

3) Mempelajari kegunaan baru dari perangkat lunak dengan membaca

panduan.

4) Sadar kalau kita sedang dijelek-jelekkan.

5) Mengikuti resep.

C. Natural Language Understanding

Menurut Gartner (2019), “Natural Language Understanding adalah pemahaman oleh

komputer tentang struktur dan makna bahasa manusia (misalnya, Inggris, Spanyol,

Jepang), yang memungkinkan user untuk berinteraksi dengan komputer menggunakan

bahasa alami.”

Menurut Ekaterina Ovchinnikova (2012: p.15), dalam kecerdasan buatan (Artificial

Intelligence) dan linguistik komputasi (Computational Lingustics), “Natural Language

Understanding adalah sub-bidang dari Natural Language Processing yang berhubungan

dengan pemahaman bacaan mesin.”

Tujuan dari sistem NLU adalah untuk menafsirkan teks fragmen input. Proses

interpretasi dapat dilihat sebagai terjemahan teks dari natural language (bahasa alami) ke

representasi dalam bahasa formal yang tidak ambigu. Representasi ini, seharusnya

diungkapkan dalam konten teks, selanjutnya digunakan untuk melakukan tugas nyata

yang tersirat oleh permintaan pengguna.

Gambar 2.1 Pemahaman Bahasa Alami Manusia.

Sumber: (Ovchinnikova, Ekaterina. 2012).

Pada Gambar 2.1, Ovchinnikova menjelaskan penalaran NLU manusia yaitu sistem

pemahaman yang konvensional, dengan adanya computational linguistics seperti Gambar

2.2, pemahaman manusia diubah menjadi suatu program yang menerima interpretasi dari

manusia untuk dapat memahami maksud dari kalimat yang diajukan.

Gambar 2.2 Komputasi Natural Language Understanding.

Sumber: (Ovchinnikova, Ekaterina. 2012)

Dalam beberapa waktu terakhir, baik industri dan akademisi telah menunjukkan luar

biasa minat pada pemahaman bahasa alami. Dalam hal tersebut menghasilkan beberapa

alat dan pada bidang literatur. Beberapa aplikasi utama NLU menurut Singh Abhishek

(2019), yaitu:

Question answering, adalah disiplin ilmu komputer dalam bidang pengambilan

informasi (information retrieval) dan natural language processing (NLP), yang

berkaitan dengan membangun sistem yang secara otomatis menjawab pertanyaan

yang diajukan oleh manusia dengan bahasa alami.

Natural language search, adalah pencarian yang dilakukan dalam bahasa sehari-

hari, mengutarakan pertanyaan seperti yang akan ditanyakan saat berbicara

dengan seseorang. Pertanyaan ini dapat diketikkan ke search engine, atau

diucapkan ke pencarian suara. Contohnya “How many days until 30 November?”.

Web-scale relation extraction, adalah bagian dari Information Extraction yang

mengekstraksi seluruh link yang berhubungan dengan kata kunci.

Sentiment analysis, adalah proses otomatis yang menggunakan AI untuk

mengidentifikasi pendapat positif, negatif dan netral dari sebuah teks. Sentiment

analysis banyak digunakan untuk mendapatkan wawasan dari komentar media

sosial, tanggapan survei, dan ulasan produk, dan membuat keputusan berdasarkan

data.

Text summarization, adalah proses memperpendek dokumen teks dengan

perangkat lunak, untuk membuat ringkasan dengan poin utama dari dokumen asli.

Teknologi yang dapat membuat ringkasan yang koheren memperhitungkan

variabel akun seperti panjang, gaya penulisan, dan sintaksis.

Legal discovery, adalah penggunaan NLP dalam lawsuits yang membantu dalam

menangani kasus pelanggaran sesuai dengan hukum yang berlaku.

Untuk membedakan penerapan NLP dan NLU, dapat dijelaskan dengan diagram

Venn (Singh, Abhishek. 2019).

Gambar 2.3 Pengaplikasian NLP dan NLU

Sumber: (Singh, Abhishek. 2019)

Pada gambar 2.3 menunjukkan beberapa aplikasi NLP dan NLU. Ini menunjukkan

NLU sebagai bagian dari NLP. Pemisahan hanya dalam tugas, bukan dalam ruang

lingkup. Tujuan keseluruhan adalah untuk memproses dan memahami teks bahasa alami

membuat mesin berpikir seperti manusia.

D. Machine Learning

Menurut Danukusumo (2017), “Machine Learning merupakan serangkaian teknik

yang dapat membantu dalam menangani dan memprediksi data yang sangat besar dengan

cara mempresentasikan data-data tersebut dengan algoritma pembelajaran.”

Menurut Mohri et. al (2012), “Machine Learning dapat didefinisikan sebagai metode

komputasi berdasarkan pengalaman untuk meningkatkan performa atau membuat prediksi

yang akurat”.

Istilah machine learning pertama kali didefinisikan oleh Arthur Samuel pada tahun

1959. Menurut Samuel Arthur, machine learning adalah suatu bidang ilmu komputer

yang memberikan kemampuan pembelajaran kepada komputer untuk mengetahui sesuatu

tanpa pemrograman yang jelas. Dari definisi inilah informasi yang telah tersedia bisa

dijadikan data pembelajaran.

Dalam pembelajaran machine learning, terdapat skenario-skenario seperti:

1. Supervised Learning

Penggunaan skenario supervised learning, pembelajaran menggunakan masukan

data pembelajaran yang telah diberi label. Setelah itu membuat prediksi dari data

yang telah diberi label.

2. Unsupervised Learning

Penggunaan skenario unsupervised learning, pembelajaran menggunakan

masukan data pembelajaran yang tidak diberi label. Setelah itu mencoba untuk

mengelompokkan data berdasarkan karakteristik-karakteristik yang ditemui.

3. Reinforcement Learning

Pada skenario reinforcement learning, fase pembelajaran dan tes saling dicampur.

Untuk mengumpulkan informasi pembelajar secara aktif dapat berinteraksi ke

lingkungan sehingga untuk mendapatkan balasan untuk setiap aksi dari

pembelajar.

E. Chatbot

Menurut Gartner IT Glossary (2019), “Chatbot adalah antarmuka percakapan khusus

domain yang menggunakan aplikasi, platfrom perpesanan, jaringan sosial atau solusi

obrolan untuk percakapannya. Chatbot bervariasi dalam kecanggihannya, mulai dari aksi

pemasaran berdasarkan pohon keputusan sederhana, hingga implementasi yang dibangun

di atas platform yang kaya fitur. Ruang lingkup selalu sempit. Chatbot dapat berbasis teks

atau suara, atau kombinasi keduanya.“

Menurut Accenture (2016, p.3), “Chatbot adalah sebuah program komputer yang

dapat berkomunikasi dengan pengguna melalui media aplikasi messaging, yang menerima

inputan dan membalas dalam berupa kata atau suara yang menciptakan sebuah

conversational flow.”

Chatbot merupakan penerapan aplikasi dari Artificial Intelligence (AI). Yang

membedakan chatbot dengan Natural Language Processing System adalah kesederhanaan

algoritma yang digunakan. Meskipun banyak bots yang dapat menginterpretasikan dan

menanggapi input manusia, sebenarnya bots tersebut hanya mengartikan kata kunci dalam

input dan membalasnya dengan kata kunci yang paling cocok, atau pola kata-kata yang

paling mirip dari data yang telah ada dalam database yang telah dibuat sebelumnya.

Chat dapat diartikan sebagai pembicaraan. Bot merupakan sebuah program yang

mengandung sejumlah data, jika diberikan masukan maka akan memberikan jawaban.

Chatbot dapat menjawab pertanyaan dengan membaca tulisan yang diketikkan oleh

pengguna melalui keyboard.

1. Arsitektur Chatbot

Dalam cakupan ini akan berfokus pada bagian inti dari chatbot yang memiliki

kemampuan untuk memproses data tekstual dan ambil bagian dalam percakapan yang

mirip manusia.

Gambar 2.4 Diagram Arsitektur Chatbot

Sumber: (Singh, Abshishek. 2019)

Seperti Gambar 2.3 menunjukkan sebuah arsitektur yang memanfaatkan

teknik dari NLP, NLU, dan NLG ke membangun chatbot. Dengan contoh yaitu

membuat chatbot untuk mem-booking tiket pesawat secara online. Berikut adalah

tahap-tahap sesuai dengan diagram arsitektur di atas.

a) Pelanggan berkata, “Bantu saya memesan penerbangan untuk besok dari

London ke New York " melalui maskapai pada Halaman Facebook. Dalam hal

ini, Facebook menjadi lapisan presentasi. Chatbot yang berfungsi penuh dapat

diintegrasikan ke dalam situs web perusahaan, sosial halaman jaringan, dan

aplikasi perpesanan seperti Skype dan Slack.

b) Selanjutnya, pesan tersebut dibawa ke messaging backend di mana teks biasa

melewati mesin NLP / NLU, di mana plain text menjadi token, dan pesan

tersebut dikonversi menjadi sebuah perintah yang bisa dimengerti mesin.

c) Mesin keputusan kemudian mencocokkan dengan perintah yang alur kerja

telah dikonfigurasikan sebelumnya. Jadi, misalnya, untuk memesan

penerbangan, sistem membutuhkan sebuah sumber dan tujuan. Di sinilah NLG

bekerja. Chatbot akan bertanya, “Tentu, saya akan membantu Anda memesan

penerbangan dari London ke New York. Bisakah Anda memberi tahu saya

tahu jika Anda lebih suka penerbangan Anda dari Heathrow atau Bandara

Gatwick? ” Chatbot mengambil sumbernya dan tujuan serta secara otomatis

menghasilkan pertanyaan lanjutan yang menanyakan bandara mana pelanggan

lebih suka.

d) Chatbot menyentuh lapisan data dan mengambil informasi penerbangan dari

sumber data sebelumnya, yang biasanya dapat dihubungkan ke pemesanan

langsung sistem. Sumber data menyediakan ketersediaan penerbangan, harga,

dan banyak layanan lainnya sesuai desain.

Beberapa chatbots menitikberatkan pada respons generatif, dan lainnya dibangun

untuk mengambil informasi dan memasangnya dalam alur percakapan yang dirancang

sebelumnya.

2. Prinsip Alur Percakapan Chatbot

Chatbots untuk aplikasi domain tertutup dibangun dengan tujuan yang

ditentukan dan fungsionalitas yang akan disediakan chatbot sebagai fitur bagi

pengguna. Untuk dapat mencakup kemungkinan kasus percakapan atau input

pengguna, harus mendefinisikan ruang lingkup dan semua aliran yang mungkin.

Mendefinisikan aliran adalah penting karena harus mengikuti kebijakan untuk dapat

memberikan akses ke data yang diperlukan. Alur percakapan adalah pohon keputusan

yang menggambarkan daftar yang mungkin berupa peristiwa, keputusan, dan hasil

dari suatu percakapan di setiap titik dalam percakapan. Jenis aliran ini mengamankan

relevansi yang lebih tinggi ketika konteks perlu dipertahankan dan respons dari sistem

langkah tidak tunggal.

Gambar 2.5 Alur Percakapan Chatbot

Sumber: (Singh, Abhishek. 2019)

Pada gambar 2.5, aliran dimulai dengan pesan selamat datang dan

menyediakan menu (jika itu adalah chatbot berbasis aturan) atau pengguna meminta

hukuman (sepenuhnya didorong oleh AI chatbot). Setelah logika NLP chatbot

mengidentifikasi fungsionalitas mana pengguna membutuhkan, ada titik keputusan

untuk membawa pengguna ke sana jalur percakapan. Jika pengguna ingin memeriksa

status pesanan miliknya, titik keputusan percakapan berikutnya adalah memasukkan

nomor pesanan. Setelah itu chatbot menerima id pesanan yang valid, panggilan

backend untuk mengambil tindakan informasi untuk pesanan itu dan membawanya

kembali ke pengguna. Aliran ini dipertahankan konteksnya juga, jadi jika dia perlu

melacak urutan lain, dia tidak perlu memulai dari root tetapi cukup masukkan id

pesanan lain dan chatbot akan tahu untuk melacak status pesanan.

Di chatbots yang lebih canggih, dapat mengoper multi-intents dalam satu

baris, tetapi secara teknis chatbot akan memproses permintaan dalam aliran yang

sama. Jadi, misalkan "Lacak nomor pesanan saya 465" adalah input tunggal dari

pengguna, yang harus mengambil 465. Multi-intent chatbot sulit untuk dibangun, dan

kemungkinan kesalahan sangat tinggi.

Membuat aliran chatbot sangat penting karena ini menentukan ruang lingkup

fitur dan meningkatkan akurasi chatbot untuk pengguna. Ini sangat penting untuk

menjelaskan kepada pengguna apa yang seharusnya dilakukan chatbot mereka dan

mungkin mendefinisikan fitur sebelumnya. Kasus pengecualian bisa selalu ditransfer

ke respons default atau eksekutif manusia.

3. Pendekatan Pengembangan Chatbot

Pendekatan pengembangan chatbot mengacu pada cara membuat chatbot

logika. Pertimbangan kritis dalam memilih pendekatan adalah keseimbangan antara

kemampuan bahasa alami dan akurasi hasil. NLP hadir dengan tantangan untuk

memahami percakapan alami dan menerjemahkannya ke tindakan mesin

keseimbangan harus dijaga.

Ada dua pendekatan dalam perancangan chatbot yang di usulkan oleh

(Abhishek Singh. 2019), diantaranya adalah:

a. Rules-Based Approach (Pendekatan berbasis aturan)

Pendekatan berbasis aturan (Rules-Based Approach), juga disebut pendekatan

berbasis menu, berfungsi sebagai perpanjangan dari portal self-help dengan

pengalaman yang lebih baik. Yang kritis perbedaannya adalah dengan navigasi ke

solusi. Di portal self-help, perlu menavigasi ke opsi yang tepat secara manual, saat

dalam berbasis menu chatbots, navigasi bisa dilakukan menggunakan bahasa

alami lalu tindakan dilakukan menggunakan menu.

Jenis-jenis chatbot ini lazim dan biasanya penggunaannya tinggi kasus

penggunaan industri yang terintegrasi dengan CRM dan sistem data lainnya.

Ada beberapa keuntungan dari pendekatan ini, yaitu:

Keakuratan respons terkonfirmasi pada desain.

Lebih mudah dan diimplementasikan karena didasarkan pada heuristik

daripada NLP yang rumit.

Lebih mudah untuk menambah menu item tanpa harus mengubah dari

awal.

Ada beberapa kekurangan dari pendekatan ini, yaitu:

Fungsionalitas sangat terbatas pada kode.

Fullfilment terdiri dari dua langkah, yaitu memahami konteksnya dan

mengangkat menu. Setelah menu diklik, baru dapat dipenuhi.

Menawarkan percakapan bahasa alami yang terbatas karena hanya

mengerti apa yang sudah di kode kan.

b. AI-Based Approach (Pendekatan berbasis AI)

Pendekatan berbasis AI didasarkan pada mesin NLP canggih untuk

mendukung bahasa alami dan memenuhi permintaan berdasarkan pada algoritma

ML dan integrasi sistem untuk pengambilan informasi yang dinamis. Keakuratan

chatbot lebih rendah di awal dan meningkat seiring waktu. Perbedaan kritis antara

pendekatan berbasis menu dan berbasis AI adalah mesin NLP. Mesin NLP

bertanggung jawab untuk mengekstraksi informasi yang ada di input pengguna.

Berdasarkan pada informasi yang diekstraksi, chatbot perlu memutuskan langkah

selanjutnya.

Gambar 2.5 Pengekstrasian Informasi dengan mesin NLP

(Sumber: Singh, Abhishek. 2019)

Pada gambar 3.4, peran penting dari mesin NLP adalah untuk ekstrak

informasi dari input bahasa alami. Keakuratan ekstraksi informasi sangat penting

karena akan menentukan hasil percakapan dan bertahan dalam sistem. Mesin NLP

perlu mengekstrak informasi yang diperlukan untuk menginstruksikan sistem

untuk bertindak. Dalam pendekatan menu-driven, pengguna harus terlibat dengan

menu untuk memilih detail yang tepat sebelum sistem dapat bertindak.

Ada beberapa keuntungan dari pendekatan ini, yaitu:

Percakapan lanjutan dapat terjadi tanpa harus mengulang tindakan.

Mesin NLP dapat menangani skenario yang tidak pernah diproses dan teks

yang berbeda.

Dapat belajar membuat tanggapan khusus di awal.

Ada beberapa kekurangan dari pendekatan ini, yaitu:

Mesin NLP rumit untuk dilatih, dipelihara, dan diperbaiki.

Keakuratan tanggapan tidak dapat dibenarkan karena mesin NLP tidak

100% akurat.

Membutuhkan sejumlah data yang besar agar chatbot dapat berfungsi

dengan mesin NLP.

F. Dialogflow

Menurut Google Cloud (2019), “Dialogflow adalah platform Natural Language

Processing yang memudahkan untuk merancang dan mengintegrasikan antarmuka

pengguna percakapan ke aplikasi seluler, aplikasi web, perangkat, bot, sistem respons

suara interaktif, dan sebagainya.”

Menurut Abhishek Singh (2019, p.296), “Dialogflow adalah pengembang teknologi

interaksi manusia-komputer milik Google yang didasarkan pada percakapan bahasa

alami.”

Dialogflow atau disebut API.ai adalah platform yang menyediakan API untuk

chatbot. Dialogflow yang dimiliki oleh Google saat ini berperan sebagai inti dalam

memberikan layanan untuk pengembangan aplikasi chatbot dan aplikasi yang berbasis

suara, seperti Google Assitant, Google Home, dan sebagainya. Hal ini yang membuat

platform ini menjadi terkenal dikalangan platform NLP lainnya. Pada dasarnya,

fungsionalitas Google Dialogflow mirip dengan platform NLP lainnya seperti LUIS,

Wit.ai, dan sebagainya karena memiliki komponen yang hampir sama dalam

mengoperasikannya. (Abhishek Singh, 2019).

1. Cara Kerja Dialogflow

Proses awal yang dilakukan adalah dengan adanya request yang datangnya

dari user dengan melakukan permohonan ke platform, lalu sistem didalam

platform ini akan memberikan response ke user yang terkait bahwa permohonan

untuk menggunakan layanan diterima, user disini dapat dikatakan sebagai

developer yang merancang sebuah chatbot. (Google Cloud, 2019).

Gambar 2.6 Alur Kerja Platform Dialogflow

(Sumber: https://cloud.google.com/dialogflow/docs/basics)

Gambar 2.4 menjelaskan diagram yang menunjukkan aliran pemrosesan

penggunaan Dialogflow, sebagai berikut:

a) End-user mengetik atau berbicara ekspresi.

b) Server mengirimkan ekspresi end-user ini ke Dialogflow dalam pesan

permintaan deteksi maksud.

c) Dialogflow mengirimkan pesan respons deteksi maksud ke layanan. Pesan

ini berisi informasi tentang maksud yang cocok, tindakan, parameter, dan

respons yang ditentukan untuk maksud tersebut.

d) Server melakukan tindakan sesuai kebutuhan, seperti permintaan basis

data atau panggilan API eksternal.

e) Server mengirimkan respons kepada end-user.

f) End-user melihat atau mendengar respons.

2. Komponen Dialogflow

Menurut Google Cloud (2019), terdapat istilah-istilah penting pada dialogflow,

yaitu sebagai berikut:

a) Agents

Dialogflow Agents adalah agen virtual yang menangani percakapan dengan

end-users. Ini adalah modul pemahaman bahasa alami yang memahami nuansa

bahasa manusia. Dialogflow menerjemahkan teks atau audio pengguna akhir

selama percakapan ke data terstruktur yang dapat dipahami aplikasi dan

layanan kita. Developer merancang dan membuat Dialogflow Agents untuk

menangani jenis percakapan yang diperlukan untuk sistem kita.

Dialogflow Agents mirip dengan agen pusat panggilan manusia. Anda

melatih keduanya untuk menangani skenario percakapan yang diharapkan, dan

pelatihan Anda tidak perlu terlalu eksplisit.

Agen juga berfungsi sebagai wadah tingkat atas untuk pengaturan dan

data:

1. Agent settings untuk opsi bahasa, pengaturan pembelajaran mesin, dan

pengaturan lain yang mengontrol perilaku agen Anda.

2. Intents untuk mengelompokkan niat pengguna akhir untuk setiap

giliran percakapan.

3. Entities untuk mengidentifikasi dan mengekstrak data spesifik dari

ekspresi pengguna akhir.

4. Knowledge untuk mengurai dokumen (misalnya, FAQ) dan

menemukan respons otomatis.

5. Integrations untuk aplikasi yang berjalan pada perangkat atau layanan

yang secara langsung menangani interaksi pengguna akhir untuk Anda

(misalnya, Google Assistant).

6. Fulfillment untuk menghubungkan layanan Anda saat menggunakan

integrasi.

b) Intents

Suatu intents akan mengelompokkan end-user intent untuk satu giliran

percakapan. Untuk setiap agen, akan menentukan banyak maksud, di mana

maksud gabungan kita dapat menangani percakapan lengkap. Ketika end-user

menulis atau mengatakan sesuatu, disebut sebagai end-user expression,

Dialogflow mencocokkan end-user expression dengan intent terbaik di

Agent. Mencocokkan maksud juga dikenal sebagai intent classification.

Gambar 2.7 Intent Extraction

Sumber: https://cloud.google.com/dialogflow/docs/intents-overview

Misalnya, kita dapat membuat agen cuaca yang mengenali dan merespons

pertanyaan pengguna akhir tentang cuaca. Kita mungkin akan menentukan niat

untuk pertanyaan tentang ramalan cuaca. Jika pengguna akhir mengatakan

"What’s the forecast?", Dialogflow akan mencocokkan dengan ekspresi

pengguna akhir itu dengan maksud perkiraan. Anda juga dapat menentukan

niat kita untuk mengekstrak informasi yang berguna dari ekspresi pengguna

akhir, seperti waktu atau lokasi untuk perkiraan cuaca yang diinginkan. Data

yang diekstrak ini penting bagi sistem kita untuk melakukan kueri cuaca bagi

pengguna akhir.

c) Entities

Entities adalah sebuah alat yang sangat kuat untuk mengidentifikasi nilai

yang berguna dari sebuah masukan bahasa alami dalam hal ini adalah

pertanyaan yang dikirim oleh user. Di dalam platform terdapat 3 jenis entities,

yaitu System Entities, Developer Entities, dan User Entities. System Entities

merupakan entities yang sudah dibenamkan di dalam sistem, artinya entities

tersebut sudah tersedia, Developer Entities merupakan entities yang dibuat dan

didefinisikan oleh developer, User Entities adalah yang didefinisikan untuk

setiap user pada setiap permintaan.

G. Penelitian Terdahulu

Penelitian terdahulu ini menjadi salah satu acuan penulis dalam melakukan penelitian

sehingga penulis dapat memperkaya teori yang digunakan dalam mengkaji penelitian

yang dilakukan. Dari penelitian terdahulu, penulis mengangkat beberapa penelitian

sebagai referensi dalam memperkaya bahan kajian pada penelitian penulis. Berikut

merupakan penelitian terdahulu berupa beberapa jurnal dari judul yang mirip dengan

penelitian penulis, yaitu:

1. Jurnal dengan judul “Rancang Bangun Aplikasi Chatbot Sebagai Media Pencarian

Informasi Anime menggunakan Regular Expression Pattern Matching” yang

disusun oleh David Domarco dan Ni Made Satvika Iswari dari UMN dan

diterbitkan oleh Jurnal ULTIMATICS dari UMN (Universitas Multimedia

Nusantara) pada Juni 2017 di Vol. IX, No. 1 dengan ISSN 2085-4552. Dalam

penelitian tersebut, David Domarco dan Ni Made Satvika Iswari menggunakan

metode Regular Expression Pattern Matching untuk penerapan NLP dalam

mendeteksi pola kalimat untuk menentukan intents dan mengekstrak kata kunci

(entity). Akurasi keberhasilan yang dicapai dalam menjawab pertanyaan sebesar

83,7%.

2. Jurnal dengan judul “Super Agent Chatbot ‘3S’ Sebagai Media Informasi

Menggunakan Natural Language Processing (NLP)” yang disusun oleh Herwin

dan Khusaeri Andesa dari STMIK Amik Riau dan diterbitkan oleh jurnal

TEKNOLOGI DAN OPEN SOURCE dari STMIK Amik Riau pada Juni 2019 di

Vol. 2, No.1 dengan ISSN 2622-1659. Dalam penelitian tersebut, Herwin dan

Khusaeri Andesa menggunakan pendekatan NLP dengan menggunakan metode

similarity dalam mencocokkan pola kata pada database. Akurasi keberhasilan

yang dicapai adalah 70% sehingga memberikan respon sesuai dengan pertanyaan

yang ingin diketahui.

3. Jurnal dengan judul “Perancangan CHATBOT Pusat Informasi Mahasiswa

Menggunakan AIML Sebagai Virtual Assistant Berbasis Web” yang disusun oleh

Maskur dari Universitas Muhammadiyah Malang dan diterbitkan oleh Jurnal

KINETIK dari Universitas Muhammadiyah Malang pada November 2016 di Vol.

1, No. 3 dengan ISSN 2503-2259. Dalam penelitian tersebut, Maskur

menggunakan AIML sebagai NLP. Akurasi keberhasilan yang dicapai adalah 80%

dalam mendapatkan respon yang tepat.

Dari beberapa penilitan terdahulu tersebut, ketiga jurnal tersebut sama-sama

menggunakan natural language processing yang terdapat algoritma berbeda dalam

mengekstrak kata kunci dari sebuah kalimat. Sehingga, peneliti menggunakan ketiga

penelitian tersebut sebagai referensi dalam pengukuran dan pengujian training data pada

penelitian ini.