1
IMPLEMENTASI METODE BOYER MOORE PADA CHATBOT PEDOMAN MAHASISWA FMIPA UNIVERSITAS RIAU
BERBASIS INSTANT MESSAGING PLATFORMS
M Hardi Raiz, Gita Sastria
Mahasiswa Program Studi S1 Sistem Informasi Jurusan Ilmu Komputer
Fakultas Matematika dan Ilmu Pengetahuan Alam Kampus Bina Widya Pekanbaru, 28293, Indonesia
[email protected] ABSTRACT
Riau University’s handbook was prepared to support the implementation of educational programs and provide guidance to the academic communities who need information about various rules and procedures that exist in the campus environment.
However, there are drawbacks to using the handbook, such as the efficiency of the media itself. The solution is to develop a chatbot system that can operate on an instant messaging platform as a communication medium for questions and answers that can provide information quickly and accurately without having to install it on the smartphone. The chatbot system uses the Boyer Moore pattern matching algorithm and the Jaro Winkler Distance algorithm in the preprocessing process of spell- checking text which is implemented with the Python programming language and Telegram API as a medium to receive and answer questions from users. The results showed that the chatbot could provide answers to users with an answer accuracy rate of 95.2% and a system acceptance rate of 86.5% or strongly agree.
Keywords: Chatbot, Boyer Moore, Jaro Winkler Distance, Telegram, Riau University Handbook.
ABSTRAK
Buku pedoman Universitas Riau disusun sebagai pendukung pelaksanaan program pendidikan serta memberikan panduan kepada sivitas akademika yang membutuhkan informasi tentang berbagai ketentuan dan petunjuk yang ada di lingkungan kampus, akan tetapi terdapat kelemahan dalam penggunaan buku pedoman tersebut, seperti keefisienan dari media itu sendiri. Solusinya adalah dengan mengembangkan sistem chatbot yang dapat beroperasi pada platform pesan instan sebagai media komunikasi tanya jawab yang dapat memberikan informasi secara cepat dan akurat tanpa harus menginstallnya di smartphone. Sistem chatbot menggunakan algoritma pencocokan pola Boyer Moore dan algoritma Jaro Winkler Distance dalam proses preprocessing
2 teks pemeriksa ejaan yang diimplementasikan dengan bahasa pemrograman Python dan Telegram API sebagai media untuk menerima dan menjawab pertanyaan dari pengguna. Hasil penelitian menunjukkan bahwa chatbot dapat memberikan jawaban kepada pengguna dengan tingkat akurasi jawaban 95,2% dan tingkat penerimaan sistem 86,5% atau sangat setuju.
Kata kunci: Chatbot, Boyer Moore, Jaro Winkler Distance, Telegram, Buku Pedoman Universitas Riau.
PENDAHULUAN
Buku Pedoman Universitas Riau disusun sebagai kelancaran pelaksanaan program pendidikan Univeristas Riau serta memberikan panduan kepada warga kampus Universitas Riau dan pihak-pihak lain yang memerlukannya. Berdasarkan SK Mendikbud RI No. 021/UU/1982 yang menyatakan pelaksanaan pendidikan di Indonesia berdasarkan Sistem Kredit Semester. Sistem tersebut memerlukan adanya sikap, tindakan serta adanya keterkaitan dari semua unsur maka buku pedoman disusun dalam rangka menyamakan langkah demi mencapai sasaran tersebut secara efektif dan efisien (Universitas Riau, 2019).
Akan tetapi terdapat beberapa kekurangan dalam penggunaan buku pedoman seperti keefisienan media itu sendiri, terlebih lagi buku pedoman tersebut mengalami beberapa kali perubahan dalam periode tahun ajaran tertentu demi memperbarui informasi yang akan disampaikan kepada mahasiswa sehingga terjadi percetakan buku secara berulang-ulang. Selain itu, tidak banyak mahasiswa yang membaca keseluruhan isi dari buku pedoman Universitas Riau tersebut sehingga informasi tidak tersampaikan secara maksimal.
Telegram merupakan salah satu platform pesan instan yang memiliki fokus pada keamanan dan kecepatan. Platform ini tersedia untuk ponsel cerdas, web, desktop, dan command-line interface. Telegram menyediakan dua jenis API kepada pengembang secara gratis yang memungkinkan pengembang dengan mudah membangun program yang memanfaatkan platform Telegram sebagai antarmukanya dan membangun klien Telegram khusus sendiri.
Mengembangkan suatu sistem yang dapat memberikan layanan dalam menyampaikan informasi secara cepat dan tepat merupakan salah satu upaya yang dapat dilakukan dalam mengatasi kekurangan dalam penggunaan buku pedoman tersebut. Suatu sistem yang mampu berinteraksi layaknya native apps pada sistem operasi perangkat bergerak seperti android, IOS, maupun pada sistem operasi desktop dan web. Suatu sistem chatbot yang dapat beroperasi diatas platform pesan instan Telegram sebagai media komunikasi tanya jawab seputar akademis tanpa harus instalasi pada perangkat.
3 LANDASAN TEORI
a. Chatbot
Chatbot atau chatterbot adalah suatu sistem yang dikembangkan untuk simulasi komunikasi atau percakapan interaktif kepada pengguna yang dapat dilakukan dalam bentuk teks atau suara. Pada umumnya chatbot terlihat seperti aplikasi biasa yang terdiri dari beberapa lapisan aplikasi, basis data, dan API untuk layanan eksternal. Beberapa kasus pengembangan chatbot juga memanfaatkan platform pesan instan sebagai antarmuka pengguna. Chatbot ditanamkan ribuan log percakapan dan dari log tersebut chatbot mampu memproses masukan dari pengguna dengan menggunakan pengolahan bahasa alami (natural language processing) dan kemudian mengaitkan masukan tersebut dengan basis pengetahuan untuk memberikan respon yang sesuai kepada pengguna (Techlabs, 2017).
b. Buku Pedoman Universitas Riau
Buku pedoman Unviersitas Riau adalah suatu media yang digunakan untuk memperoleh informasi tentang berbagai ketentuan dan petunjuk yang diperlukan oleh civitas akademika di Universitas Riau. Buku pedoman ini disusun berdasarkan masing-masing fakultas yang ada di Universitas Riau untuk mendukung pelaksanaan kegiatan pendidikan sesuai dengan Surat Keputusan Menteri Pendidikan dan Kebudayaan Nomor 021/UU/1982, mengenai pelaksanaan pendidikan tinggi di negara Indonesia yang berdasarkan Sistem Kredit Semester. Buku pedoman ini menggambarkan ketentuan umum yang ada di Universitas Riau, tujuan pendidikan, daftar mata kuliah, deskripsi mata kuliah, serta daftar program studi beserta dosen- dosen yang mengajar pada program studi tersebut. (Universitas Riau, 2019).
c. Telegram Messenger
Telegram merupakan platform pesan instan yang berfokus pada keamanan dan kecepatan, aplikasi pesan instan Telegram diluncurkan pada tahun 2013 oleh kakak beradik Nikolai dan Pavel Durov. Sebagian besar pengguna ponsel cerdas memilih Telegram sebagai solusi alternatif aplikasi pesan instan pada tahun 2014 dan 2015 ketika aplikasi pesan instan Whatsapp mengalami beragam masalah seperti masalah bug dan pengakuisisian dari Facebook (Rectmedia, 2016).
Telegram menawarkan dua jenis API kepada pengembang secara gratis yaitu bot API yang memungkinkan pengembang dengan mudah membangun program yang memanfaatkan platform Telegram sebagai antarmukanya. Kemudian ada Telegram API dan TDLib yang memungkinkan pengembang membangun klien Telegram khusus sendiri.
d. Jaro Winkler Distance
Metode Jaro Winkler Distance adalah varian yang diusulkan pada tahun 1990 oleh William E. Winkler dari Jaro Distance Metric. Suatu metode yang digunakan untuk mengukur kesamaan antara dua string. Metode ini memiliki kompleksitas waktu quadratic runtime complexity yang sangat efektif pada perbandingan string pendek (Kurniawati, Puspitodjati, & Rahman, 2010).
4 Langkah-langkah metode Jaro Winkler Distance dalam mengukur kesamaan antara dua string adalah sebagai berikut (Rochmawati & Kusumaningrum, 2015) : 1. Menentukan nilai jarak uji teoritis yang dilakukan dengan persamaan 2.1 berikut.
jarak teoritis = (max (|𝑠1|,|𝑠2|)
2 ) – 1 (1)
Keterangan:
s1 = Panjang string pertama s2 = Panjang string kedua
2. Menentukan jumlah karakter yang sama berdasarkan jarak teoritis antara karakter kiri dan kanan (c).
3. Menentukan nilai transposisi yang dihitung berdasarkan jumlah karakter yang tidak cocok yang memiliki kesamaan posisi (t).
4. Menghitung nilai Jaro Distance (dj) antara kedua string yang dilakukan dengan persamaan 2.2 berikut.
dj = 1
3 ( c
|s1|+ c
|s2|+ c - t
c ) (2)
5. Menghitung nilai Jaro Winkler (dw) diantara kedua kata tersebut yang dilakukan dengan persamaan 2.3 berikut.
dw = dj + ( lp ( 1 - dj )) (3)
Keterangan:
l = Panjang prefiks umum di awal string (panjang karakter yang sama sebelum ditemukan ketidaksamaan dengan nilai tertinggi adalah 4)
p = Scaling factor (p = 0,1)
Metode jaro winkler distance memiliki nilai normal nol yang menyatakan bahwa tidak terdapat kesamaan antara dua string, kesamaan antara string berbanding lurus dengan besarnya nilai yang didapat dengan nilai maksimalnya adalah satu.
e. Algoritma Boyer Moore
Metode Boyer Moore merupakan salah satu metode yang digunakan untuk pencarian string pada teks, metode ini diusulkan oleh R.M Boyer dan J.S Moore.
Metode ini melakukan perbandingan dari karakter yang berada pada posisi paling kanan menuju ke kiri, tetapi pergeseran window tetap dilakukan dari kiri ke kanan.
Apabila terjadi kesamaan maka akan dilakukan perbandingan karakter teks dan pola yang sebelumnya, yaitu dengan mengurangi indeks dan pola pada teks sebanyak satu.
Hal ini berfungsi sebagai pendeteksi kata kunci pada karakter yang ada di dalam potongan kata tersebut (Hanum, 2018).
Langkah-langkah algoritma Boyer Moore dalam melakukan pencarian pola pada teks adalah sebagai berikut (Hanum, 2018) :
1. Menentukan nilai bad-character shift rule dengan mencacah nilai pada string yang dimulai dari posisi terakhir dengan nilai nol kemudian rekam karakter yang telah diberikan nilai. Apabila terdapat karakter yang sama maka nilai disesuaikan dengan karakter yang telah ditemukan sebelumnya.
2. Menentukan nilai good-suffix shift dilakukan dengan memberikan nilai pergeseran berdasarkan posisi ketidakcocokan karakter yang terjadi, terdapat dua tahap dalam menghitung nilai ini. Tahap pertama adalah dengan mencacah nilai pada string yang dimulai dari posisi terakhir dengan nilai sebesar panjang string tersebut.
5 Kemudian dilakukan perbandingan antara karakter yang ada diposisi terakhir dengan posisi awal untuk mencari kesamaan susunan karakter pada string. Pada setiap iterasi perbandingan antara karakter pada string tersebut terjadi perubahan nilai pergeseran yang dapat dilakukan dengan persamaan 2.4 berikut.
P[patlen - 1 - suff ] = patlen - 1 - i + suff (4) Keterangan:
P[patlen - 1- suff] : nilai pergeseran karakter ke patlen : panjang karakter
i : perulangan ke
suff : nilai suffix
3. Menggunakan pendekatan bad-character shift rule dan good-suffix shift sebagai tabel pergeseran string S yang dicari pada string T.
4. Jika karakter pada S yang sedang dibandingkan dari posisi terakhir pada string S cocok dengan karakter pada string T, maka posisi karakter pada S dan T diturunkan sebanyak 1 posisi, kemudian dilanjutkan dengan pencocokan pada posisi tersebut dan seterusnya.
5. Selanjutnya jika terdapat ketidakcocokan antara karakter S dan T, maka dipilih nilai pergeseran terbesar nilai dari bad-character shift rule dan good-suffix shift yang dikurangi dengan jumlah karakter yang telah cocok.
6. Telah ditemukannya S di dalam T terjadi apabila semua karakter pada string S telah cocok dari posisi akhir hingga awalnya, Namun jika tidak ditemukan kecocokan maka akan dilakukan pergeseran kembali hingga akhir string T.
METODE PENELITIAN a. Teknik Pengumpulan Data
Data yang digunakan pada penelitian ini adalah data-data pendukung (data sekunder) yang bersumber dari buku pedoman mahasiswa Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Riau 2019. Data yang telah dikumpulkan digunakan untuk mengidentifikasi spesifikasi kebutuhan pengguna dalam pengembangan sistem. Serta dilakukan studi literatur untuk mendapatkan referensi serta teori dasar yang kuat dalam menetapkan metode-metode dan kebutuhan dasar lainnya sebagai pendukung proses penelitian. Studi literatur tersebut dapat diperoleh dengan membaca serta memahami penelitian terkait yang bersumber dari buku, jurnal, laporan penelitan, skripsi, maupun thesis.
b. Peralatan yang Digunakan
Adapun peralatan yang digunakan dalam penelitian ini terbagi menjadi 2 kategori, yaitu hardware dan software. Peralatan hardware dapat dilihat pada Tabel 1 dan software pada Tabel 2.
Tabel 1. Hardware yang digunakan
No Nama Alat dan Bahan Fungsi Keterangan
1 Laptop Pengembangan Lenovo Ideapad 110 dengan
6 sistem, penyusunan
skripsi, pengolahan data basis
pengetahuan
spesifikasi processor Intel(R) Core(TM) i3-6006U CPU @ 2.00GHz Skylake dengan RAM DDR4 4.00 GB dan kapasitas hard disk 1TB
2 Smartphone Mengakses dan
menguji coba chatbot
Samsung Galaxy A20s OS Android 9.0 (Pie) CPU Octa- core 1.8 GHz Cortex-A53 RAM 4.00 GB dan kapasistas penyimpanan 64GB
Tabel 2. Software yang digunakan
No Nama Alat dan Bahan Fungsi Keterangan
1 Windows Sistem operasi Windows 10 Pro 64-bit
2 Microsof Office Penulisan dokumen teks, pengolahan data
Word 2013, Excel 2013
3 PyCharm Teks editor 2020.3.2
4 Python Bahasa Pemograman 3.7.1
5 PostgreSQL Akses Database 13
6 Sparx Enterprise Architect Desain UML Sistem 2018 7 Telegram Messenger Mengakses, uji coba,
implementasi chatbot
Desktop versi 2.8.4 Mobile versi 7.0.1
HASIL DAN PEMBAHASAN a. Analisa Data
Hasil dari proses analisa buku pedoman mahasiswa Fakultas Matematika Ilmu Pengetahuan Alam Universitas Riau yang terdiri dari enam bagian tersebut memperoleh dua jenis pengetahuan yang diperlukan chatbot yaitu basis pengetahuan yang terdiri dari 36 kategori, 1300 kata kunci, dan 1280 jawaban. Kemudian pengetahuan bahasa yang digunakan dalam proses text preprocessing terdiri dari 796 kosa kata, 55 akronim dengan akronim katanya berjumlah 47, 23 sinonim dengan sinonim katanya berjumlah 16.
b. Analisa Text Preprocessing
Proses text preprocessing ini dilakukan untuk membersihkan teks pertanyaan yang diterima chatbot melalui API Telegram, adapun proses yang dilakukan pada text preprocessing adalah sebagai berikut.
1. Cleaning and Case Folding, pada tahap cleaning dilakukan proses penghapusan simbol, karakter, dan whitespace. Sedangkan pada tahap case folding dilakukan proses pengubahan pada seluruh huruf kapital pada kalimat menjadi huruf kecil.
2. Spell Checking, pada tahap ini dilakukan proses pengoreksian kosa kata yang ada pada kalimat dengan kumpulan kosa kata, akronim, dan sinonim yang ada pada
7 pengetahuan bahasa di basis data untuk memperbaiki kesalahan pengetikan yang dilakukan oleh pengguna dengan menggunakan algoritma Jaro Winkler Distance.
3. Replace Acronym, pada tahap ini dilakukan proses pengubahan kata akronim pada kalimat pertanyaan dengan akronim kata yang terdapat pada pengetahuan bahasa.
4. Number to Word, pada tahap ini dilakukan proses pengubahan angka menjadi huruf terbilang.
5. Replace Synonym, pada tahap ini dilakukan proses pengubahan kata sinonim pada kalimat pertanyaan dengan sinonim kata yang terdapat pada pengetahuan bahasa.
6. Stopwords, pada tahap ini dilakukan proses penghapusan kosa kata yang tidak memiliki arti atau yang tidak berhubungan dengan kata kunci pada brain file, sehingga kalimat pertanyaan dapat menjadi lebih ringkas dan tepat. Metode stopwords memanfaatkan algoritma sastrawi.
7. Stemming, pada tahap ini terjadi proses pengubahan kata yang memiliki imbuhan menjadi kata dasar. Metode ini berfungsi untuk menyesuaikan kosa kata yang ada pada kalimat dengan kata kunci yang tidak memiliki imbuhan, Metode stemming ini memanfaatkan algoritma sastrawi.
c. Analisa Algoritma Jaro Winkler Distance
Berikut merupakan tahapan spell checking yang dilakukan oleh chatbot, sebagai contoh disini akan dicari nilai kemiripan string ‘dekn’ dengan ‘dekan’ dengan menggunakan algoritma Jaro Winkler Distance.
1. Menghitung nilai jarak uji teoritis jarak teoritis = (max (4,5)
2 ) – 1 jarak teoritis = 1
2. Menghitung nilai c
menghitung nilai c atau jumlah karakter yang sama berdasarkan jarak teoritis antara karakter kiri dan kanannya yaitu satu, maka diperoleh nilai c adalah empat.
3. Menghitung nilai transposisi (t)
nilai transposisi dihitung berdasarkan jumlah karakter yang tidak cocok yang memiliki kesamaan posisi pada contoh berikut nilai transposisi adalah nol.
4. Menghitung nilai Jaro Distance (dj) dj = 1
3 (4 4+ 4
5+ 4 - 0 4 ) dj = 1
3 (2,8) dj = 0,933
5. Menghitung nilai Jaro Winkler dw = 0,933 + (3 x 0,1 (1 - 0,933)) dw = 0,951
d. Analisa Algoritma Boyer Moore
Berikut merupakan tahapan pencocokan pola yang dilakukan oleh chatbot, sebagai contoh disini akan dicari pola string ‘matematika’ pada teks ‘wakil dekan
8 bidang mahasiswa kerjasama alumni fakultas matematika ilmu tahu alam’ dengan menggunakan algoritma Boyer Moore.
1. Menentukan nilai bad-character shift
Nilai bad-character shift dihitung dengan mencacahan string yang dimulai dari posisi terakhir dengan nilai nol, kemudian mundur sebanyak satu posisi dan nilai pencacah ditambah dengan satu, apabila karakter selanjutnya sudah pernah ditemukan, maka nilai pergeserannya adalah sama dengan nilai pencacah sebelumnya, dan untuk karakter selain dari karakter yang sudah dicacah akan memiliki nilai pergeseran sebesar panjang string. Nilai pergeseran ini dapat dilihat pada Tabel 4.1 berikut.
Tabel 4.1 Nilai Pergeseran Bad-Character Shift String m a t e m a t i k a * Pergeseran 5 0 3 6 5 0 3 2 1 0 10 2. Menentukan nilai good-suffix shift
Tahap pertama penentuan nilai nilai good-suffix shift adalah dengan melakukan pencacahan pada string yang dimulai dari posisi terakhir string dengan nilai pergeseran sebesar panjang string dan untuk karakter selanjutnya ditambah dengan satu. Tahap keduanya adalah dengan melakukan perbandingan antara karakter yang berada pada posisi kiri dengan karakter posisi kanan string, yang dilakukan dengan persamaan berikut.
P[patlen - 1 - suff ] = patlen - 1 - i + suff P[10-1-0] = 10 - 1 - 0 + 0 = 9
P[10-1-0] = 10 - 1 - 0 + 0 = 9
Seterusnya hingga perbandingan karakter dua posisi terakhir P[10-1-0] = 10 - 1 - 8 + 0 = 1
Sehingga diperoleh nilai pergeseran akhir dari good-suffix shift yang dapat dilihat pada Tabel 4.2 berikut.
Tabel 4.2 Nilai Pergeseran Good-Suffix Shift String m a t e m a t i k a Pergeseran 19 18 17 16 15 14 13 12 5 1
3. Pencarian pola S pada T
Setelah mendapatkan nilai bad-character shift dan good-suffix shift maka langkah selanjutnya adalah melakukan pencarian string yang ada di dalam teks. Nilai bad- character shift dipilih berdasarkan karakter yang tidak cocok pada teks, sedangkan nilai good-suffix shift dipilih berdasarkan ketidakcocokan indeks. Nilai pergeseran yang dipilih adalah nilai pergeseran terbesar, nilai pergeseran diawali pada posisi terakhir tidak ditemukan kecocokan. Proses pergeseran terus dilakukan hingga ditemukannya kecocokan semua karakter pada string S dari posisi akhir hingga awal. Pada contoh tersebut string S ditemukan pada indeks 55.
e. Implementasi Sistem
Sistem chatbot pedoman mahasiswa Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Riau ini dikembangkan dengan basis platform pesan
9 instan dengan menggunakan bahasa pemrograman Python versi 3.7.1 dan PostgreSQL sebagai database. Sedangkan untuk sistem admin chatbot dikembangkan berbasis web dengan menggunakan bahasa pemrograman Python dengan framework flask.
Gambaran sistem yang dikembangkan dapat dilihat pada Gambar 4.1 berikut.
Gambar 4.1 Ilustrasi Sistem Chatbot Pedoman Mahasiswa f. Pengujian Sistem
Pengujian dilakukan dengan metode pengujian User Acceptance Test (UAT) dan pengujian Confusion Matrix. Pengujian UAT dilakukan oleh 25 mahasiswa FMIPA Universitas Riau dengan cara mengakses sistem chatbot pada aplikasi pesan instan Telegram, pengguna akan memberikan paling sedikit empat pertanyaan kepada chatbot. Setelah memberikan pertanyaan dan menerima respon dari bot, selanjutnya pengguna diarahkan untuk mengisi kuesioner yang indikator penilaiannya berfokus pada kemampuan dan kemudahan dari penggunaan sistem. Pada pengujian ini diperoleh tingkat penerimaan sistem chatbot sebesar 86,5% dentan tingkat penerimaan terhadap penggunaan platform Telegram sebesar 88%.
Sedangkan pengujian Confusion Matrix dilakukan dengan menganalisa pertanyaan-pertanyaan yang diberikan oleh pengguna selama proses pengujian UAT, jumlah pertanyaan yang diperoleh adalah 127 pertanyaan identik yang terbagi menjadi 93 pertanyaan yang memberikan respon dan 34 pertanyaan yang tidak memberikan respon. Setelah pertanyaan identik didapatkan maka selanjutnya adalah membagi pertanyaan tersebut menjadi kombinasi nilai pada confusion matrix yang dapat dilihat pada Tabel 4.3 berikut.
Tabel 4.3 Kombinasi Nilai Confusion Matrix Pertanyaan
No Kombinasi Nilai Jumlah
1. True Positive (data positif yang nilai aktualnya benar) 87 2. True Negative (data negatif yang nilai aktualnya benar) 34 3. False Positive (data negatif yang nilai aktualnya positif) 6 4. False Negative (data positif yang nilai aktualnya negatif) 0
Total 127
Adapun tingkat akurasi dari sistem chatbot pedoman mahasiswa berdasarkan pada Tabel 4.3 adalah sebagai berikut.
87+34
87+34+6+0= 0,952 atau 95,2%
Sedangkan untuk nilai error rate dari sistem chatbot berdasarkan kombinasi nilai confusion matrix pada Tabel 4.3 adalah sebagai berikut.
0+6
87+34+6+0= 0,047 atau 4,7%
10 KESIMPULAN
Berdasarkan hasil dari penelitian ini, maka dapat disimpukan bahwa:
1. Sistem chatbot pedoman mahasiswa Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Riau berbasis platform pesan instan Telegram telah berhasil dibangun dengan metode pencocokan pola Boyer Moore.
2. Sistem chatbot ini mampu meniru kecerdasan manusia dalam proses berkomunikasi dengan menjawab pertanyaan yang diberikan oleh pengguna. Kecerdasan chatbot bergantung kepada jumlah kata kunci pada basis pengetahuan serta pengetahuan bahasa untuk proses text preprocessing.
3. Pengujian User Acceptance Test (UAT) yang dilakukan terhadap 25 responden mendapatkan hasil sangat setuju dengan persentase sebesar 86,5% dengan tingkat penerimaan responden terhadap penggunaan platform pesan instan Telegram sebagai media untuk mengakses chatbot yaitu sebesar 88%.
4. Berdasarkan pengujian confusion matrix akurasi terhadap keberhasilan sistem terhadap proses pencocokan pola kata dengan metode Boyer Moore adalah sebesar 95,2% dengan tingkat error rate sebesar 4,7%.
DAFTAR PUSTAKA
Angriyani, M. (2019). Aplikasi Chatbot Dengan Menggunakan Metode Boyer Moore (Studi Kasus: C3 PTIPD UIN Sultan Syarif Kasim Riau). UIN Suska Riau, Pekanbaru. Retrieved from http://repository.uin-suska.ac.id/22203/1/BAB I%2CII%2CIII%2CIV%2CVI.pdf
Hanum, N. (2018). Analisis Perbandingan Kinerja Algoritma Boyer Moore, Horspool, Dan Zhu Takaoka Pada Repositori Hadits Bukhori Terjemahan Bahasa Indonesia. UIN Syarif Hidayatullah Jakarta. Retrieved from http://repository.uinjkt.ac.id/dspace/bitstream/123456789/48703/1/NINDY RAISA HANUM-FST.pdf
Kurniawati, A., Puspitodjati, S., & Rahman, S. (2010). Implementasi Algoritma Jaro- Winkler Distance untuk Membandingkan Kesamaan Dokumen Berbahasa Indonesia. In Universitas Gunadarma (pp. 1–4). Depok. Retrieved from http://repository.gunadarma.ac.id/394/1/Implementasi Algoritma Jaro- Winkler_UG.pdf
Rectmedia. (2016). Telegram Messenger Pendatang Baru Yang Siap Jadi Pesaing Whatsapp. Retrieved September 13, 2020, from https://rectmedia.com/telegram- messanger-pendatang-baru-yang-siap-jadi-pesaing-whatsapp/
Rochmawati, Y., & Kusumaningrum, R. (2015). Studi Perbandingan Algoritma Pencarian String dalam Metode Approximate String Matching untuk Identifikasi Kesalahan Pengetikan Teks. Jurnal Buana Informatika, 7(2), 125–134. Retrieved from http://eprints.undip.ac.id/59555/1/LAPORAN_TA_24010311120017_1.pdf Techlabs, M. (2017). What Are The Inner Workings of a Chatbot? Chatbots
Magazine. Retrieved from https://chatbotsmagazine.com/what-is-the-working-of- a-chatbot-e99e6996f51c
Universitas Riau. (2019). Buku Pedoman Fakultas Matematika dan Ilmu Pengetahuan Alam 2019/2020. Pekanbaru: Universitas Riau.
