Hasil Pencarian  ::  Simpan CSV :: Kembali

"

Masa pasca pandemi COVID-19 telah merubah perilaku perusahaan untuk lebih melek terhadap transformasi digital. Penerapan chatbot dalam dunia bisnis merupakan salah satu bentuk digitalisasi yang dapat meningkatkan keunggulan kompetitif untuk menghadapi persaingan yang semakin ketat. Namun sayangnya masih minim penelitian yang membahas efektivitas implementasi chatbot di Indonesia. Penelitian ini bertujuan untuk menganalisis pengaruh chatbot marketing efforts terhadap customer response melalui communication quality dan customer brand relationship pada pengguna Tanya Veronika di aplikasi My Telkomsel. Penelitian ini menggunakan pendekatan kuantitatif dengan teknik pengambilan melalui penyebaran kuesioner secara purposive sampling dengan Google Form kepada 196 responden yang merupakan pengguna aplikasi My Telkomsel, minimal berusia 18 tahun, dan pernah menggunakan fitur Tanya Veronika di aplikasi My Telkomsel minimal dua kali dalam satu tahun terakhir. Data yang diperoleh, diolah menggunakan SEM melalui SmartPLS 4.0. Hasil penelitian mengungkapkan bahwa customer response pada pengguna Tanya Veronika di aplikasi My telkomsel dipengaruhi secara positif dan signifikan oleh chatbot marleting efforts melalui communication quality dan customer brand relationship.

---

The era of post-COVID-19 pandemic has driven changes in company behavior to emphasize awareness on digital transformation. The implementation of chatbots in the business sector is one of the forms of digitalization that can increase competitive advantage to compete in the increasingly tight competition. However, there is still a lack of research that discusses about the effectiveness of chatbot implementation in Indonesia. This study aimed to analyze the effect of chatbot marketing efforts on customer response through communication quality and customer brand relationship on Tanya Veronika's users in My Telkomsel application. This study used a quantitative approach with data collection techniques through distributing questionnaires using purposive sampling with Google Form to 196 respondents who are users of the My Telkomsel application, a minimum of 18 years old, and have used the Tanya Veronika feature in My Telkomsel application at the very least twice in the past year. The data obtained is processed using SEM through SmartPLS 4.0. The results revealed that customer response on Tanya Veronika's users in the My Telkomsel application is positively and significantly affected by chatbot marketing efforts through communication quality and customer brand relationship.

"

"Penelitian ini bertujuan untuk mengkaji pengaruh kualitas layanan chatbot berbasis AI terhadap loyalitas pelanggan yang dirasakan, dengan mempertimbangkan peran mediasi dari perceived value, trust, dan satisfaction. Metode yang digunakan adalah survei kuantitatif dengan pengambilan sampel dari pelanggan Lazada di DKI Jakarta. Data dikumpulkan melalui kuesioner dan dianalisis menggunakan KMO. Hasil penelitian menunjukkan bahwa kualitas layanan AI chatbot secara signifikan mempengaruhi nilai yang dirasakan dan kepuasan pelanggan, yang selanjutnya berdampak pada kepercayaan pelanggan. Nilai yang dirasakan dan kepuasan pelanggan juga berperan sebagai mediator dalam hubungan antara kualitas layanan AI chatbot dan loyalitas pelanggan. Penelitian ini memberikan wawasan penting bagi Lazada dan perusahaan e-commerce lainnya dalam mengembangkan strategi layanan pelanggan berbasis AI. Implikasi praktis dari penelitian ini termasuk pentingnya mengintegrasikan solusi AI chatbot yang efektif untuk meningkatkan pengalaman pelanggan, yang pada gilirannya dapat mendorong loyalitas pelanggan. Penelitian ini juga menyarankan arah untuk penelitian masa depan, terutama dalam mengkaji dampak jangka panjang dari teknologi AI dalam layanan pelanggan pada berbagai sektor industri.

---

This study aims to examine the influence of AI-based chatbot service quality on perceived customer loyalty, taking into consideration the mediating roles of perceived value, trust, and satisfaction. The research method employed was a quantitative survey, with a sample taken from Lazada customers in DKI Jakarta. Data were collected through questionnaires and analyzed using KMO. The research results indicate that the quality of AI chatbot services significantly affects perceived value and customer satisfaction, which subsequently impacts customer trust. Perceived value and customer satisfaction also act as mediators in the relationship between AI chatbot service quality and customer loyalty. This study provides valuable insights for Lazada and other e-commerce companies in developing AI-based customer service strategies. Practical implications of this research include the importance of integrating effective AI chatbot solutions to enhance customer experiences, ultimately driving customer loyalty. The study also suggests directions for future research, especially in examining the long-term impact of AI technology in customer service across various industry sectors."

"Agen customer service tidak dapat beroperasi 24 jam sehari, sehingga diperlukan sebuah program untuk mengatasi masalah ini, salah satunya adalah chatbot. Sejak munculnya makalah "Attention is All You Need", kualitas chatbot telah meningkat secara signifikan. Salah satu kegunaan utama chatbot adalah untuk menyediakan customer service 24 jam, sehingga memungkinkan agen customer service untuk fokus pada pertanyaan yang lebih kompleks. Untuk mengembangkan chatbot yang efektif yang dapat menjawab pertanyaan pelanggan, diperlukan data percakapan antara pelanggan dan agen, serta model pembelajaran mesin yang dilatih pada data ini. Dalam penelitian ini, eksperimen dilakukan menggunakan empat model yang berbeda: T5, BART, DistilGPT2, dan GPT2, untuk menentukan model terbaik yang dapat memberikan jawaban yang relevan kepada pelanggan. Model-model ini dievaluasi menggunakan metrik BLEU dan ROUGE untuk menentukan kualitas terbaik. Hasil eksperimen menunjukkan bahwa GPT2 adalah model terbaik untuk keperluan customer service. Untuk membuat model ini dapat diakses oleh pelanggan, diperlukan sebuah aplikasi web. Aplikasi web ini dikembangkan dengan menguji tiga frontend framework: Next.js, Vue.js, dan Angular, serta tiga backend framework: FastAPI, Flask, dan Django, untuk menentukan kombinasi yang memberikan respons tercepat. Frontend framework dievaluasi menggunakan Google Lighthouse. Backend framework dievaluasi menggunakan metrik Average Response Time. Hasil eksperimen menunjukkan bahwa Next.js adalah frontend framework terbaik dan FastAPI adalah backend framework terbaik. Untuk menangani sejumlah besar pelanggan secara bersamaan, chatbot ini memerlukan infrastruktur yang memungkinkan penggunaan paralel. Infrastruktur disediakan menggunakan Terraform untuk mengurangi langkah-langkah pengembangan dan memfasilitasi replikasi infrastruktur yang dikembangkan. Infrastruktur yang diuji adalah mikroservis dan monolitik, keduanya dapat diskalakan. Infrastruktur ini dievaluasi menggunakan metrik waktu respons dan tingkat kegagalan. Hasil eksperimen menunjukkan bahwa arsitektur monolitik cukup untuk menangani chatbot.

---

Customer service agents cannot operate 24 hours a day, thus a program is needed to address this issue, one of which is a chatbot. Since the emergence of the paper "Attention is All You Need", the quality of chatbots has improved significantly. One of the main uses of chatbots is to provide 24-hour customer service, thus allowing customer service agents to focus on more complex inquiries. To develop an effective chatbot that can answer customer questions, conversation data between customers and agents, as well as a machine learning model trained on this data, are required. In this research, experiments were conducted using four different models: T5, BART, DistilGPT2, and GPT2, to determine the best model that can provide relevant answers to customers. These models were evaluated using BLEU and ROUGE metrics to determine the best quality. The experimental results showed that GPT2 is the best model for customer service purposes. To make this model accessible to customers, a website is required. This website was developed by testing three frontend frameworks: Next.js, Vue.js, and Angular, and three backend frameworks: FastAPI, Flask, and Django, to determine the combination that provides the fastest response. The frontend frameworks were evaluated using Google Lighthouse. The backend frameworks were evaluated using the Average Response Time metric. The experimental results showed that Next.js is the best frontend framework and FastAPI is the best backend framework. To handle a large number of customers simultaneously, this chatbot requires infrastructure that allows parallel usage. Infrastructure is provided using Terraform to reduce development steps and facilitate the replication of developed infrastructure. The tested infrastructures are microservices and monolithic, both of which are scalable. This infrastructure is evaluated using response time and failure rate metrics. The experimental results indicate that the monolithic architecture is sufficient for handling a chatbot."

"Agen customer service tidak dapat beroperasi 24 jam sehari, sehingga diperlukan sebuah program untuk mengatasi masalah ini, salah satunya adalah chatbot. Sejak munculnya makalah ”Attention is All You Need”, kualitas chatbot telah meningkat secara signifikan. Salah satu kegunaan utama chatbot adalah untuk menyediakan customer service 24 jam, sehingga memungkinkan agen customer service untuk fokus pada pertanyaan yang lebih kompleks. Untuk mengembangkan chatbot yang efektif yang dapat menjawab pertanyaan pelanggan, diperlukan data percakapan antara pelanggan dan agen, serta model pembelajaran mesin yang dilatih pada data ini. Dalam penelitian ini, eksperimen dilakukan menggunakan empat model yang berbeda: T5, BART, DistilGPT2, dan GPT2, untuk menentukan model terbaik yang dapat memberikan jawaban yang relevan kepada pelanggan. Model-model ini dievaluasi menggunakan metrik BLEU dan ROUGE untuk menentukan kualitas terbaik. Hasil eksperimen menunjukkan bahwa GPT2 adalah model terbaik untuk keperluan customer service. Untuk membuat model ini dapat diakses oleh pelanggan, diperlukan sebuah aplikasi web. Aplikasi web ini dikembangkan dengan menguji tiga frontend framework: Next.js, Vue.js, dan Angular, serta tiga backend framework: FastAPI, Flask, dan Django, untuk menentukan kombinasi yang memberikan respons tercepat. Frontend framework dievaluasi menggunakan Google Lighthouse. Backend framework dievaluasi menggunakan metrik Average Response Time. Hasil eksperimen menunjukkan bahwa Next.js adalah frontend framework terbaik dan FastAPI adalah backend framework terbaik. Untuk menangani sejumlah besar pelanggan secara bersamaan, chatbot ini memerlukan infrastruktur yang memungkinkan penggunaan paralel. Infrastruktur disediakan menggunakan Terraform untuk mengurangi langkah-langkah pengembangan dan memfasilitasi replikasi infrastruktur yang dikembangkan. Infrastruktur yang diuji adalah mikroservis dan monolitik, keduanya dapat diskalakan. Infrastruktur ini dievaluasi menggunakan metrik waktu respons dan tingkat kegagalan. Hasil eksperimen menunjukkan bahwa arsitektur monolitik cukup untuk menangani chatbot.

---

Customer service agents cannot operate 24 hours a day, thus a program is needed to address this issue, one of which is a chatbot. Since the emergence of the paper ”Attention is All You Need”, the quality of chatbots has improved significantly. One of the main uses of chatbots is to provide 24-hour customer service, thus allowing customer service agents to focus on more complex inquiries. To develop an effective chatbot that can answer customer questions, conversation data between customers and agents, as well as a machine learning model trained on this data, are required. In this research, experiments were conducted using four different models: T5, BART, DistilGPT2, and GPT2, to determine the best model that can provide relevant answers to customers. These models were evaluated using BLEU and ROUGE metrics to determine the best quality. The experimental results showed that GPT2 is the best model for customer service purposes. To make this model accessible to customers, a website is required. This website was developed by testing three frontend frameworks: Next.js, Vue.js, and Angular, and three backend frameworks: FastAPI, Flask, and Django, to determine the combination that provides the fastest response. The frontend frameworks were evaluated using Google Lighthouse. The backend frameworks were evaluated using the Average Response Time metric. The experimental results showed that Next.js is the best frontend framework and FastAPI is the best backend framework. To handle a large number of customers simultaneously, this chatbot requires infrastructure that allows parallel usage. Infrastructure is provided using Terraform to reduce development steps and facilitate the replication of developed infrastructure. The tested infrastructures are microservices and monolithic, both of which are scalable. This infrastructure is evaluated using response time and failure rate metrics. The experimental results indicate that the monolithic architecture is sufficient for handling a chatbot."

"Agen customer service tidak dapat beroperasi 24 jam sehari, sehingga diperlukan sebuah program untuk mengatasi masalah ini, salah satunya adalah chatbot. Sejak munculnya makalah "Attention is All You Need", kualitas chatbot telah meningkat secara signifikan. Salah satu kegunaan utama chatbot adalah untuk menyediakan customer service 24 jam, sehingga memungkinkan agen customer service untuk fokus pada pertanyaan yang lebih kompleks. Untuk mengembangkan chatbot yang efektif yang dapat menjawab pertanyaan pelanggan, diperlukan data percakapan antara pelanggan dan agen, serta model pembelajaran mesin yang dilatih pada data ini. Dalam penelitian ini, eksperimen dilakukan menggunakan empat model yang berbeda: T5, BART, DistilGPT2, dan GPT2, untuk menentukan model terbaik yang dapat memberikan jawaban yang relevan kepada pelanggan. Model-model ini dievaluasi menggunakan metrik BLEU dan ROUGE untuk menentukan kualitas terbaik. Hasil eksperimen menunjukkan bahwa GPT2 adalah model terbaik untuk keperluan customer service. Untuk membuat model ini dapat diakses oleh pelanggan, diperlukan sebuah aplikasi web. Aplikasi web ini dikembangkan dengan menguji tiga frontend framework: Next.js, Vue.js, dan Angular, serta tiga backend framework: FastAPI, Flask, dan Django, untuk menentukan kombinasi yang memberikan respons tercepat. Frontend framework dievaluasi menggunakan Google Lighthouse. Backend framework dievaluasi menggunakan metrik Average Response Time. Hasil eksperimen menunjukkan bahwa Next.js adalah frontend framework terbaik dan FastAPI adalah backend framework terbaik. Untuk menangani sejumlah besar pelanggan secara bersamaan, chatbot ini memerlukan infrastruktur yang memungkinkan penggunaan paralel. Infrastruktur disediakan menggunakan Terraform untuk mengurangi langkah-langkah pengembangan dan memfasilitasi replikasi infrastruktur yang dikembangkan. Infrastruktur yang diuji adalah mikroservis dan monolitik, keduanya dapat diskalakan. Infrastruktur ini dievaluasi menggunakan metrik waktu respons dan tingkat kegagalan. Hasil eksperimen menunjukkan bahwa arsitektur monolitik cukup untuk menangani chatbot.

---

Customer service agents cannot operate 24 hours a day, thus a program is needed to address this issue, one of which is a chatbot. Since the emergence of the paper "Attention is All You Need", the quality of chatbots has improved significantly. One of the main uses of chatbots is to provide 24-hour customer service, thus allowing customer service agents to focus on more complex inquiries. To develop an effective chatbot that can answer customer questions, conversation data between customers and agents, as well as a machine learning model trained on this data, are required. In this research, experiments were conducted using four different models: T5, BART, DistilGPT2, and GPT2, to determine the best model that can provide relevant answers to customers. These models were evaluated using BLEU and ROUGE metrics to determine the best quality. The experimental results showed that GPT2 is the best model for customer service purposes. To make this model accessible to customers, a website is required. This website was developed by testing three frontend frameworks: Next.js, Vue.js, and Angular, and three backend frameworks: FastAPI, Flask, and Django, to determine the combination that provides the fastest response. The frontend frameworks were evaluated using Google Lighthouse. The backend frameworks were evaluated using the Average Response Time metric. The experimental results showed that Next.js is the best frontend framework and FastAPI is the best backend framework. To handle a large number of customers simultaneously, this chatbot requires infrastructure that allows parallel usage. Infrastructure is provided using Terraform to reduce development steps and facilitate the replication of developed infrastructure. The tested infrastructures are microservices and monolithic, both of which are scalable. This infrastructure is evaluated using response time and failure rate metrics. The experimental results indicate that the monolithic architecture is sufficient for handling a chatbot."

"Penggunaan chatbot berbasis AI dalam layanan pelanggan semakin populer di banyak perusahaan. Namun, dalam praktiknya, AI-Chatbot sering kali dianggap cacat, bahkan ditolak oleh pelanggan. Penelitian ini bertujuan untuk menyelidiki resistensi terhadap AI-Chatbot berdasarkan tingkat ketidakpercayaan pelanggan yang mencakup ketidakpercayaan terhadap kompetensi, kebajikan dan integritas AI-Chatbot tersebut. Selain fitur AI pada dimensi kemampuan kognisi, penelitian ini juga mengusulkan bahwa kurangnya empati sebagai dimensi kemampuan emosional merupakan fitur utama lainnya dari AI yang cacat. Secara khusus, penelitian ini mengusulkan tiga mekanisme di mana kurangnya empati kurang berperan berdampak pada resistensi pelanggan: efek langsung, tidak langsung, dan moderasi. Sampel penelitian ini adalah pengguna AI-Chatbot berusia antara 18-45 tahun dan berdomisili di Indonesia. Data didapatkan dari 233 responden menggunakan non-probability sampling dan dianalisis menggunakan pendekatan Structural Equation Model (SEM) berbasis Partial Least Square (PLS) dengan software SmartPLS 4.0. Temuan penelitian ini mengungkapkan bahwa kurangnya empati berpengaruh signifikan terhadap tingkat ketidakpercayaan pelanggan. Selanjutnya, ketidakpercayaan pelanggan juga secara signifikan meningkatkan resistensi pelanggan. Implikasi bagi pemasar adalah perusahaan perlu mengembangkan kemampuan empati AI-Chatbot, memastikan penyampaian informasi yang relevan dan tidak bias, serta meningkatkan kompetensi, kebajikan dan integritas AI-Chatbot untuk mengurangi resistensi pelanggan.

---

The usage of AI-based chatbot in customer service is increasingly popular among many companies. However, in practice, AI-Chatbot are often perceived as defective and even rejected by customers. This study aims to investigate the resistance to AI-Chatbot based on customer distrusting beliefs, which includes distrust in the competence, benevolence, and integrity of the chatbot. In addition to AI features in the cognitive intelligence dimension, this study also proposes that a lack of empathy, as an emotional intelligence dimension, is another key of defective AI features. Specifically, this study proposes three mechanisms by which lack of empathy affects customer resistance: direct, indirect, and moderation effects. The study sample consists of AI-Chatbot users aged between 18-45 years residing in Indonesia. Data were obtained from 233 respondents using non-probability sampling and analyzed using the Partial Least Squares Structural equation modeling (PLS-SEM) approach with SmartPLS 4.0 software. The findings reveal that lack of empathy significantly affects levels of customer distrust. Subsequently, customer distrust also significantly increases customer resistance. The implications for marketers are that companies need to develop the empathetic capabilities of AI-Chatbot, ensure the delivery of relevant and unbiased information, and enhance the competence, benevolence, and integrity of AI-Chatbot to reduce customer resistance."

"Skripsi ini menganalisis unsur-unsur yang mempengaruhi ekuitas merek berbasis konsumen. Tujuan dari penelitian ini adalah untuk menganalisis faktor-faktor yang mempengaruhi unsur ekuitas merek berbasis konsumen pada Telkomsel operator jaringan seluler di Jakarta. Elemen faktor yang diteliti adalah Kesadaran Merek, Asosiasi Merek, Persepsi Kualitas, Kepercayaan terhadap Merek, dan Loyalitas terhadap Merek. Penelitian ini menggunakan metode penelitian deskriptif dengan teknik pengambilan sampel menggunakan metode Nonprobability sampling, wilayah penelitian di Jakarta. Teknik dari pengumpulan data dilakukan melalui penyebaran kuesioner, data yang diperoleh dari 110 responden, diolah dengan menggunakan SPPS 17,0 menggunakan metode Pearson Corellation, Cochran, Uji Asumsi Klasik, dan Regresi Berganda. Dari hasil penelitian dapat disimpulkan bahwa Kesadaran Merek, Loyalitas terhadap Merek dan Kercayaan terhadap Merek memilik dampak yang positif dalam Ekuitas Merek Berbasis Konsumen pada Telkomsel, sedangkan Asosiasi Merek dan Persepsi Kualitas tidak mempengaruhi secara positif dalam Ekuitas Merek Berbasis Konsumen pada Telkomsel.

---

This essay analyzes the elements that affect the consumer-based brand equity. The purpose of this study was to analyze the factors that affect the elements of consumer-based brand equity on the mobile network operator Telkomsel in Jakarta. Factor elements that researched are Brand Awareness, Brand Association, Perceived Quality, Brand Trust, and Brand Loyalty.

This research uses research methods descriptive with technique sampling using method Non-probability sampling, territory research in Jakarta. Technique of data collection is done through the deployment questionnaires, the data obtained from the 110 respondents, processed with using the SPPS 17.0 using method Pearson Correlation, Cochran, Test Assumptions Classical, and Multiple Regression.

From the results of this study concluded that Brand Awareness, Brand Loyalty and Brand Trust in a positive effect on Consumer-Based Brand Equity on Telkomsel, while the Brand Association and Perceived Quality does not affect positively the Consumer-Based Brand Equity."

"Penelitian ini bertujuan untuk mengetahui pengaruh Chatbot LazzieChat terhadap customer satisfaction, brand-relationship quality pada Lazada, dan continuance chatbot intention di Indonesia. LazzieChat sendiri merupakan chatbot e-commerce artificial intelligence (AI) pertama di Asia Tenggara yang ditenagai oleh teknologi OpenAI Chat GPT dari Azure OpenAI Service. Meningkatnya penggunaan chatbot, membuat Lazada menciptakan inovasi yang berkolaborasi Microsoft Azure Open AI Service untuk menambah daya saing Lazada di industri ­e-commerce. Penelitian kuantitatif ini menggunakan teknik non probability sampling berupa judgmental sampling dengan jumlah 303 responden pengguna Lazada di Indonesia. Analisis pada penelitian ini dilakukan dengan Partial Least Square-Structural Equation Modeling (PLS-SEM) untuk menguji apakah information quality, system quality, experience with chatbot, dan chatbot anthropomorphism berpengaruh terhadap customer satisfaction, brand-relationship quality, dan chatbot continuance intention. Temuan menunjukkan bahwa information quality, system quality, experience with chatbot, dan chatbot anthropomorphism berpengaruh positif terhadap customer satisfaction, customer satisfaction berpengaruh positif terhadap brand-relationship quality dan chatbot continuance intention, dan brand-relationship quality berpengaruh positif terhadap chatbot continuance intention.

---

This research aims to determine the influence of the LazzieChat chatbot on customer satisfaction, brand-relationship quality at Lazada, and continuance chatbot intention in Indonesia. LazzieChat itself is the first artificial intelligence (AI) e-commerce chatbot in Southeast Asia which is powered by OpenAI Chat GPT technology from Azure OpenAI Service. The increasing use of chatbots has led Lazada to create innovations in collaboration with Microsoft Azure Open AI Service to increase Lazada's competitiveness in the e-commerce industry. This quantitative research uses a non-probability sampling technique in the form of judgmental sampling with 303 Lazada user respondents in Indonesia. The analysis in this research was carried out using Partial Least Square-Structural Equation Modeling (PLS-SEM) to test whether information quality, system quality, experience with chatbot, and chatbot anthropomorphism influence customer satisfaction, brand-relationship quality, and chatbot continuance intention. The findings show that information quality, system quality, experience with chatbot, and chatbot anthropomorphism have a positive effect on customer satisfaction, customer satisfaction has a positive effect on brand-relationship quality and chatbot continuance intention, and brand-relationship quality has a positive effect on chatbot continuance intention."

"Penelitian ini bermula dari fenomena maraknya komunitas merek yang melakukan publikasi di media sosial untuk menunjukan ekssistensi mereka. Dalam penelitian ini peneliti menguji pengaruh komunitas merek pada media sosial terhadap customer relationship (dengan mengambil komunitas Honda Civic Indonesia sebagai objek penelitian). Data survei menggunakan 120 anggota komunitas Honda Civic Indonesia, peneliti melakukan penelitian dengan Structural Equation Modeling (SEM). Metode Structural Equation Modeling (SEM) digunakan untuk menguji pengaruh positif komunitas merek terhadap customer relationship, dan variabel pendukung yang mempengaruhi proses tersebut.

---

The research begin when the brand community growth rapidly on social media to show their existension. This research objectives are to show the brand community effect on social media against customer relationship (study case Honda Civic Indonesia Community). The data survey respondets are 120 member of Honda Civic Indonesia Community, the researcher do the research with Structural Equation Modeling (SEM). The methods Structural Equation Modeling (SEM) used for test the positive effect brand community against customer relationship, and supporting variables that effects the process."

"Penelitian ini bertujuan untuk mengembangkan sistem chatbot yang mampu menjawab pertanyaan seputar akademik Teknik Komputer UI. Sistem ini memanfaatkan teknologi Large Language Model (LLM) Komodo-7B yang telah di-fine-tuning dengan teknik Low-Rank Adaptation (LoRA) dan diintegrasikan dengan Retrieval Augmented Generation (RAG). Dataset Ultrachat yang diterjemahkan ke Bahasa Indonesia digunakan untuk fine-tuning model Komodo-7B, sementara dokumen PDF Kurikulum Teknik Komputer UI 2020 v4 digunakan sebagai sumber informasi untuk model RAG.Pengujian performa model Komodo-7B menunjukkan bahwa LoRA efektif dalam meningkatkan kemampuan model dalam memahami dan menghasilkan teks percakapan Bahasa Indonesia. Namun, pengujian performa chatbot menggunakan dua dataset pertanyaan, yaitu dataset custom yang dihasilkan menggunakan Giskard dan API ChatGPT, dan dataset Fathurrahman Irwansa yang telah diadaptasi, menunjukkan bahwa sistem chatbot masih memiliki ruang untuk peningkatan. Tingkat akurasi yang rendah pada kedua dataset (32% pada dataset custom dan 24,1% pada dataset Fathur) mengindikasikan bahwa sistem retrieval yang digunakan kurang akurat dalam menemukan konteks yang relevan. Meskipun demikian, ketika model RAG dapat mengambil konteks yang relevan, model Komodo-7B menunjukkan akurasi yang cukup tinggi (80% pada dataset custom dan 91,29% pada dataset Fathur, dihitung dari jumlah ketika kedua Komodo-7B dan konteks benar, kemudian dibagi dengan jumlah ketika konteks benar).Hasil penelitian menunjukkan bahwa model Komodo-7B memiliki potensi yang baik untuk digunakan pada sistem chatbot jika dikombinasikan dengan sistem retrieval yang lebih akurat. Penelitian ini memberikan kontribusi dalam pengembangan sistem chatbot berbasis LLM untuk menjawab pertanyaan seputar akademik, dan membuka peluang untuk penggunaan yang lebih luas di lingkungan Universitas Indonesia.

---

This research aims to develop a chatbot system capable of answering questions regarding the academic curriculum of Computer Engineering at Universitas Indonesia. The system utilizes the Komodo-7B Large Language Model (LLM), fine-tuned with Low-Rank Adaptation (LoRA) and integrated with Retrieval Augmented Generation (RAG). The Ultrachat dataset, translated into Indonesian, is used for fine-tuning the Komodo-7B model, while the 2020 v4 Computer Engineering Curriculum PDF document serves as the information source for the RAG model. Performance evaluation of the Komodo-7B model demonstrates that LoRA effectively enhances the model's ability to understand and generate Indonesian text. However, chatbot performance testing using two question datasets, a custom dataset generated using Giskard and the ChatGPT API, and the Fathur dataset adapted from prior research, reveals that the chatbot system still has room for improvement. The low accuracy on both datasets (32% on the custom dataset and 24.1% on the Fathur dataset) indicates that the retrieval system employed is not sufficiently accurate in finding relevant context. Nevertheless, when the RAG model successfully identifies relevant context, the Komodo-7B model exhibits relatively high accuracy (80% on the custom dataset and 91.29% on the Fathur dataset, calculated from the total of when Komodo-7B and the context are both correct, then divided by the total of when the context is correct). The research findings suggest that the Komodo-7B model holds significant potential for chatbot systems when combined with a more accurate retrieval system. This study contributes to the development of LLM-based chatbot systems for answering academic-related questions and opens up opportunities for broader applications within Universitas Indonesia."