IMPLEMENTASI CNN BERBASIS WORD EMBEDDING UNTUK KLASIFIKASI PERTANYAAN CHATBOT FIKTI UMSU

Abstract

Perkembangan layanan informasi digital di perguruan tinggi mendorong pemanfaatan chatbot untuk membantu mahasiswa memperoleh informasi secara cepat dan mandiri. Namun, variasi pertanyaan pengguna dapat menyebabkan kesalahan dalam klasifikasi intent sehingga respons yang diberikan menjadi tidak sesuai. Penelitian ini bertujuan untuk mengimplementasikan Convolutional Neural Network (CNN) berbasis Word2Vec untuk klasifikasi pertanyaan pada chatbot FIKTI UMSU. Dataset yang digunakan terdiri dari 619 pertanyaan yang dikelompokkan ke dalam enam intent, yaitu dekan, dosen, fakultas, kaprodi, sapaan, dan UKT. Data diproses melalui tahap case folding, tokenizing, word indexing, dan padding, sedangkan Word2Vec digunakan sebagai representasi kata dan bobot awal pada Embedding Layer yang bersifat trainable. Dataset dibagi menjadi 495 data training dan 124 data testing. Hasil evaluasi model memperoleh accuracy sebesar 99,19%, dengan 123 data berhasil diklasifikasikan dengan benar dan satu data mengalami kesalahan klasifikasi dari intent kaprodi menjadi dekan. Pengujian sistem dilakukan menggunakan 30 pertanyaan dengan berbagai bentuk dan susunan kata.