IMPLEMENTASI METODE FUZZY STRING MATCHING DALAM PENGEMBANGAN CHATBOT PADA PORTAL
WEB KUKERTA UNIVERSITAS RIAU
REPOSITORY
OLEH
RICKI FRIADI NIM. 1603123235
PROGRAM STUDI SISTEM INFORMASI JURUSAN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS RIAU
PEKANBARU
IMPLEMENTASI METODE FUZZY STRING MATCHING DALAM PENGEMBANGAN CHATBOT PADA PORTAL WEB KUKERTA
UNIVERSITAS RIAU Ricki Friadi, Yanti Andriyani
Mahasiswa Program Studi S1 Sistem Informasi Jurusan Ilmu Komputer
Fakultas Matematika dan Ilmu Pengetahuan Alam Kampus Bina Widya Pekanbaru, 28293, Indonesia
Ricki.friadi3235@student.unri.ac.id ABSTRACT
Portal Kuliah Kerja Nyata (KUKERTA) Riau University has problems in answering students inquires, for example, it took times to reply student‟s email by the admin of the system. Thus, it can be highlighted that portal Kukerta requires an improvement to handle students‟ inquiries automatically. Chatbot, an application that provides automatic answering questions, can be considered as a solution to this problem. This research aims to develop Chatbot named Kukerti by using the Fuzzy String Matching method. The method was used to search and to match messages (splitting in the form of words) entered in the dictionary (Chatbot knowledge). This system was developed using Python programming language, MySQL as database server, and UML as system design.
The result obtained from this study is that Kukerti chatbot which is expected to be implemented into the portal Kukerta Universitas Riau.
Keywords: Artificial intelligence, Chatbot, Fuzzy String Matching, Levensthein Distance.
ABSTRAK
Portal Kuliah Kerja Nyata (KUKERTA) Universitas Riau memiliki permasalahan dalam melakukan layanan tanya jawab dari mahasiswa. Beberapa permasalahan tersebut antara lain mahasiswa harus menunggu balasan dari email pihak admin sistem portal Kukerta yang memakan waktu lama. Sehingga dibutuhkan suatu fitur yang dapat memberikan jawaban pertanyaan mahasiswa secara otomatis seperti layaknya percakapan seperti chatbot. Penelitian ini bertujuan untuk mengembangkan chatbot yang bernama Kukerti dengan menggunakan metode fuzzy string matching. fuzzy string matching melakukan proses pencarian dan pencocokan kata pada kamus pengetahuan chatbot. Sistem ini dibangun dengan bahasa pemrograman Python, MySQL sebagai database server, dan UML sebagai desain perancangan sistem. Hasil yang diperoleh dari penelitian ini berupa berupa aplikasi chatbot Kukerti yang diharapkan dapat diimplementasikan ke dalam portal Kukerta Universitas Riau.
Kata Kunci : Chatbot, Fuzzy String Matching,Kecerdasan Buatan, LevenstheinDistance.
PENDAHULUAN
Kuliah Kerja Nyata (Kukerta) merupakan sebuah kegiatan yang dilakukan Universitas Riau dalam memberikan pengalaman belajar dan bekerja bagi mahasiswa dalam kegiatan pembangunan masyarakat sebagai wahana penerapan ilmu pengetahuan dan teknologi (Tim LPPM Unri, 2019). Sebuah Portal Web adalah sebuah situs web yang menyediakan beragam informasi dari berbagai sumber dengan cara (format/layout) yang seragam. Setiap sumber informasi mendapat area khusus pada halaman website portal dalam menampilkan informasinya (Lesomar dkk, 2015). Portal akademik merupakan situs web yang menyediakan informasi seputar akademik Universitas yang dapat diakses melalui internet. Tujuan dari portal akademik adalah untuk memberikan pelayanan kepada mahasiswa sebagai fasilitas yang dapat digunakan kapan saja dan dimanapun (Restama, 2014).
Universitas Riau memiliki LPPM yang mengelola data Kukerta melalui sebuah portal. Portal Kukerta juga menyediakan fitur yang memfasilitasi mahasiswa dalam berkomunikasi jika ada informasi yang dibutuhkan diantaranya fitur kanal bantuan, help desk, dan Tawk to. Namun terdapat kendala pada fitur tersebut memiliki beberapa permasalahan, seperti mahasiswa harus menunggu balasan dari email pihak admin sistem portal Kukerta yang memakan waktu lama.
Untuk mengatasi masalah tersebut, dibutuhkan suatu fitur yang dapat memberikan jawaban dari pertanyaan mahasiswa secara otomatis seperti layaknya percakapan diantaranya seperti chatbot. Pada pengembangan chatbot menggunakan metode Fuzzy String Matching melakukan proses pencarian dan pencocokan kata pada kamus pengetahuan chatbot.serta pada metode perhitungan jarak similiaritas menggunakan string similiarity
LANDASAN TEORI 1. Penelitian Terdahulu
Penelitian terdahulu yang berkaitan dengan chatbot menjadi referensi dalam penelitian, sehingga memperkaya bahan kajian pada penelitian yang dilakukan.
Beberapa penelitian terdahulu terkait dengan penelitian ini seperti yang dilakukan oleh:
(Marwan Noor Fauzy dan Kusrini, 2019) chatbot menggunakan metode fuzzy string matching sebagai virtual assistant pada pusat layanan informasi akademik. hasil penelitian mengenai chatbot dalam pemberian informasi akademik di Politeknik Indonusa Surakarta yang menunjukkan bahwa Penerapan metode fuzzy string matching dalam pembuatan aplikasi chatbot sangat membantu terlebih pada pencarian kata-kata yang memiliki penulisan berbeda namun memiliki makna yang sama serta Penggunaan aplikasi virtual assistant chatbot ini hanya akan optimal apabila admin memberikan masukan atau pengetahuan berupa kata dan pertanyaan yang benar.
(Punjung Wibowo dan Ahmad Zainul Fanani, 2019) chatbot dengan judul “sistem costumer service cerdas menggunakan metode fuzzy string matching pada e-commerce.
Penulis menjelaskan tentang perancangan sebuah chatbot dengan menggunakan metode fuzzy string matching dengan tujuan menganalisa sebuah sistem komputer secara sederhana yang dapat berkomunikasi dengan manusia menggunakan bahasa alami
melalui kecerdasan buatan dan dapat memberikan manfaat yaitu kemudahan bagi user untuk mendapatkan informasi yang dibutuhkan secara cepat dan efisien.
2. Metode Fuzzy String Matching
Metode Fuzzy string matching adalah salah satu metode pencarian string yang menggunakan proses pendekatan terhadap pola dari string yang dicari. Metode ini termasuk dalam katagori inexact matching dimana konsep ini melakukan pencarian terhadap string yang sama dan juga string yang mendekati dengan string lain yang terkumpul dalam sebuah penampung atau kamus (Aradea & Dewanto, 2007).
Inexact string matching atau juga disebut fuzzy string matching, merupakan pencocokan string secara samar, maksudnya pencocokan string dimana string yang dicocokkan memiliki kemiripan dimana keduanya memiliki susunan karakter yang berbeda (mungkin jumlah atau urutannya) tetapi string-string tersebut memiliki kemiripan baik kemiripan tekstual/ penulisan (approximate string matching) atau kemiripan ucapan (phonetic string matching). Inexact string matching masih dibagi menjadi dua yaitu :
a. Pencocokan string berdasarkan kemiripan penulisan (approximate string matching) merupakan pencocokan string dengan dasar kemiripan dari segi penulisannya (jumlah karakter, susunan karakter dalam dokumen). Tingkat kemiripan ditentukan dengan jauh tidaknya beda penulisan dua buah string yang dibandingkan tersebut dan nilai tingkat kemiripan ini ditentukan oleh pemrogram (programmer). Contoh: computer dengan compiler, memiliki jumlah karakter yang sama tetapi ada dua karakter yang berbeda. Jika perbedaan dua karakter ini dapat ditoleransi sebagai sebuah kesalahan penulisan maka dua string tersebut dikatakan cocok
b. Pencocokan string berdasarkan kemiripan ucapan (phonetic string matching) merupakan pencocokan string dengan dasar kemiripan dari segi pengucapannya meskipun ada perbedaan penulisan dua string yang dibandingkan tersebut.
Contoh: step dengan steb dari tulisan berbeda tetapi dalam pengucapannya mirip sehingga dua string tersebut dianggap cocok. Contoh yang lain adalah step, dengan steppe, sttep, stepp, stepe (Haryanto, 2011).
Terdapat Beberapa pendekatan dalam prose yang dilakukan oleh metode fuzzy string matching dalam melakukan pencocokan string diantaranya yaitu;
a. Ratio (R1) = menghitung ratio nilai jarak similaritas mengunakan leven similarity.
b. Partial Ratio (R2) = sama seperti R1 tetapi berdasarkan pencocokan sub-string.
Hal pertama kali dilakukan menemukan yang terbaik mencocokkan sub-string antara dua masukan string dan . Kemudian menemukan R1 antara sub- string dan string yang lebih pendek di antara dua string masukan.
c. Token sort ratio (R3) = dan akan diurutkan terlebih dahulu dan kemudian kemudian R1 dihitung antara diurutkan dan .
d. Token set ratio (R4) = langkah pertama menghapus token duplikat di dan dan kemudian melakukan proses R1 pada string yang sudah di proses.
3. Kukerta
Kuliah Kerja Nyata (Kukerta) merupakan sebuah kegiatan yang dilakukan Universitas Riau dalam memberikan pengalaman belajar dan bekerja bagi mahasiswa dalam kegiatan pembangunan masyarakat sebagai wahana penerapan ilmu pengetahuan dan teknologi. Bentuk pelaksanaan nya didasarkan pada kebutuhan yang ada dan sedang digali oleh masyarakat suatu desa. Artinya, program yang dilaksanakan adalah dalam rangka mendukung kerja pemerintah setempat dalam mengembangkan kebutuhan desa dan dilaksanakan bersama melibatkan masyarakat. Seluruh kegiatan yang dilaksanakan adalah dalam rangka memenuhi kebutuhan masyarakat dari segala bidang melalui kegiatan pendidikan dan pemberdayaan. Dalam pelaksanaannya mahasiswa dapat berkolaborasi dengan beberapa instansi atau stakeholder yang dapat membantu menyukseskan kegiatan tersebut (Tim LPPM Unri, 2019)
METODE PENELITIAN
a. Teknik Pengumpulan Data
Data yang digunakan pada penelitian ini adalah data pertanyaan dari sub tema pertanyaan mengenai Kukerta Universitas Riau yang dikembangkan menjadi pertanyaan dan jawaban pada kamus pengetahuan chatbot. Teknik pengumpulan data yang digunakan pada penelitian ini yaitu wawancara. Studi literatur yaitu dilakukan dengan mengambil proses perancangan chatbot yang terdapat pada jurnal, buku ataupun media eletronik lainnya yang memiliki keterikatan dengan materi penelitian. Wawancara dilakukan dengan pihak yang terlibat langsung dengan proses tanya jawab dengan mahasiswa yaitu bagian layanan informasi LPPM Universitas Riau.
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 Pengolahan data Asus VivoBook S14 A411U
2 Flashdisk Penyimpanan data Berkapasitas 8 GB 3 Printer Mencetak laporan Epson
Tabel 2. Software yang digunakan
No Nama Alat dan Bahan Fungsi Keterangan
1 Windows Sistem operasi 10 Home
2 Microsof Office Word Membuat laporan Word 2010
3 Xampp Mengakses database 8.5.0
4 Python Bahasa pemrograman Versi 3.7.26
5 Draw.io Mendesain diagram Online
6 MySQL Menyimpan data
penelitian
4.6.4 7 Sublime text 3 Tempat pengetikan
koding pemrograman
Build 3176 x64
c. Portal
Sebuah Portal Web adalah sebuah situs web yang menyediakan beragam informasi dari berbagai sumber dengan cara (format/layout) yang seragam. Setiap sumber informasi mendapat area khusus pada halaman website portal dalam menampilkan informasinya (Lesomar dkk, 2015).
Portal akademik merupakan situs web yang menyediakan informasi seputar akademik Universitas yang dapat diakses melalui internet. Tujuan dari portal akademik adalah untuk memberikan pelayanan kepada mahasiswa sebagai fasilitas yang dapat digunakan kapan saja dan dimanapun (Restama, 2014).
Portal Kukerta merupakan sebuah portal akademik yang disediakan Universitas Riau untuk mengelola segala kegiatan Kukerta.
d. Chatbot
Chatbot adalah sebuah simulator percakapan yang berupa program komputer yang dapat berdialog dengan pengguna nya dalam bahasa alami (Baiti & Nugroho, 2013).
(Sumber: Mutia, 2014) Gambar 2 Gambaran Umum Chatbot
Adapun Chatbot terdiri dari 3 bagian yaitu user interface, interpreter, dan knowledge base berupa database sebagai penyimpan pattern. interpreter merupakan
bagian yang berisi langkah - langkah pattern-matching untuk melakukan pencocokan antara input dengan pattern yang ada di database.
e. Algoritma Levenshtein Distance
Algoritma Levenshtein Distance ditemukan oleh Vladimir Levenshtein, seorang ilmuwan asal Rusia pada tahun 1965, algoritma ini sering juga disebut dengan Edit Distance (Mulyanto, 2010).
Algoritma levenshtein distance dapat bekerja menggunakan perhitungan jumlah perbedaan jarak antara dua string. Hasil dari perhitungan tersebut diperoleh dengan menentukan jumlah minimum dari operasi perubahan dari suatu string menjadi string yang lain (Dharma, Banjarnahor, Nainggolan, & Sihombing, 2018).
Alogoritma dari levenshtein distance dapat dinotasikan dalam bentuk rumus persamaan (1) sebagai berikut :
( ) {
( ) ( )
{
( ) ( ) ( ) ( )
Dimana:
= adalah operasi Levenshtein distance antara String a dengan String b = operasi minimum matriks.
Dalam melakukan pencarian nilai minimal, algoritma levenshtein akan mengoptimalkan hasil pencarian sehingga algoritma ini tergolong program dinamis dalam pencarian nilai minimal (Dharma, Banjarnahor, Nainggolan, & Sihombing, 2018).
Untuk melihat Langkah-langkah algoritma Levenshtein Distance lebih jelas dapat dilihat pada Gambar 3 yang diimpelemtasikan dari persamaan (1).
(1)
for i ← 1 to m do { source prefixes initialization } d[i][0] ← i
endfor
for j ← 1 to n do { target prefixes initialization } d[0][j] ← j
endfor
{ using Levenshtein Algorithm to check } for i ← 1 to n do
for j ← 1 to m do
if (s[i] == t[j]) then
d[i][j] ← d[i-1][j-1] {same character}
else
d[i][j] ← minimum (
d[i-1][j] + 1, { deletion } d[i][j-1] + 1, { insertion } d[i-1][j-1] + 1 { substitution } )
endif endfor end for
→ d[m][n] { return results }
Gambar 3 Gambaran Umum Chatbot
Berdasarkan Gambar 3 langkah-langkah dari algoritma Levenshtein Distance dapat dilakukan sebagai berikut.
1. Lakukan inisialisai dari 1 sampai n atau banyak string sumber.
Lakukan inisialisai dari 1 sampai n atau banyak string target.
2. Periksa setiap karakter string sumber (for i ← 1 to n do) Periksa setiap karakter string target (for j ← 1 to m do) 3. Jika s[i] sama dengan t[j] maka nilai minimum Lev adalah 0
4. Jika s[i] tidak sama dengan t[i] maka dilakukan salah satu operasi dari leven distance dimana;
a. Cell yang berada di atasnya akan di tambah 1 dari operasi d[i-1][j] + 1 yang merupakan operasi penghapusan.
b. Cell yang berada di sebelah kiri akan di tambah 1 dari operasi d[i][j-1] + 1 yang merupakan operasi penyisipan.
c. Cell yang berada secara diagonal di atas dan ke kiri akan di tambah 1 dari operasi d[i-1][j-1] + 1 yang merupakan operasi penggantian.
5. Setelah langkah iterasi (2,3,4) selesai, maka ditemukan nilai jarak Levenshtein distance di sel d[m][n].
Pada fuzzy string matching di berikan fungsi untuk menghitung ratio jarak smiliraritas atau bisa di sebut juga string smilarity dari string sumber dengan string
target berdasarkan hasil perhitungan dari minimum Levenshtein Distance dengan rumus persamaan (2) sebagai berikut:
(| | | |) ( )
| | | |
Dengan |a| adalah panjang karakter string sumber, |b| adalah panjang karakter string target, dan adalah nilai minimum yang didapat dari operasi Levenshtein Distance.
HASIL DAN PEMBAHASAN
1. Pengumpulan Data
Adapun metode pengambilan data yang dilakukan penulis adalah:
1.1 Wawancara
Penulis melakukan wawancara bagian layanan informasi LPPM Universitas Riau untuk mengetahui Sub tema pertanyaan berserta pertanyaan yang sering di ajukan oleh mahasiswa mengenai Kukerta.
2. Pengembangan chatbot dengan fuzzy string matching
Proses pengembangan chatbot metode fuzzy string matching dalam penelitian ini melalui beberapa tahapan penting yang dilakukan antara lain adalah penyusunan kamus data chatbot Kukerti, penerapan metode fuzzy string matching, perancangan dan pemodelan aplikasi chatbot, dan hasil pengembangan chatbot.
3. Perancangan sistem
Dalam pengembangan chatbot Kukerta Universitas Riau, penelitian ini mengidentifikasi use case diagram, activity diagram, class diagram, dan sequence diagram di lanjut dengan pembuatan sistem tampilan antar muka. Use case diagram dari rancangan chatbot terdiri dari tujuh use case, dalam use case diagram nya antara lain: login, mengolah data chatbot, mengajukan pertanyaan, memberikan jawaban, mengolah data pertanyaan, dan logout. Class diagram yang didefinisikan dalam merancang chatbot Kukerta terdiri dari 5 class, seperti tb_users, tb_pertanyaan, tb_jawaban, tb_tamplate, tb_riwayatdialog. Sequence diagram yang dihasilkan dalam perancangan terdiri dari 6 sequence diagram yang merupakan detail dan turunan dari use case, class dan activity diagram.
(2)
KESIMPULAN
Berdasarkan hasil penelitian ini dapat disimpulkan beberapa hal, yaitu:
1. Pengembangan chatbot portal Kukerta melalui beberapa tahapan yang harus dilakukan antara lain, studi literatur, pengumpulan data, pemahaman portal Kukerta, proses pengembangan chatbot, uji coba dan evaluasi.
2. Pengembangan chatbot yang menerapkan metode fuzzy string matching melalui beberapa tahapan penting yang dilakukan antara lain adalah penyusunan kamus data chatbot Kukerti, penerapan metode fuzzy string matching, perancangan dan pemodelan aplikasi chatbot, dan hasil pengembangan chatbot.
3. Pengujian chatbot Kukerti dalam menguji chatbot dengan metode fuzzy string matching adalah dengan melakukan pengujian black box testing dan pengujian akurasi dimana hasil pengujian dari 10 pertanyaan menghasilkan tingkat akurasi sebesar 90%
4. Dalam perancangan chatbot, penelitian ini mengidentifikasi use case diagram, activity diagram, class diagram, dan sequence diagram di lanjut dengan pembuatan sistem tampilan antar muka.
SARAN
Berdasarkan kesimpulan diatas, maka penulis merekomendasikan beberapa hal berupa saran-saran sebagai berikut:
1. Pengembangan chatbot ini dapat dikembangkan seiring dengan perkembangan kebutuhan pengguna sistem dan susunan alur percakapan. Seperti menambahkan kamus data pengetahuan agar dapat fleksibel dan semakin akurat dalam menjawab pertanyaan yang ada serta menambahkan metode Natural Language Processing agar lebih baik dalam berdialog dan terasa seperti berinteraksi layaknya dengan manusia contohnya dengan menggunakan tensorflow.
2. Sistem chatbot dapat dikembangkan dengan input berupa voice yang akan diproses berupa text (speech to text) sehingga tanya jawab lebih dinamis dan layaknya sesama manusia.
3. Perlunya permbelajaran pertanyaan yang tidak dikenal chatbot agar membuat chatbot menambah pertanyaan yang baru dikenal secara otomatis, sehingga respon yang diterima oleh pengguna tidak terlalu kaku dan bisa terbaca seperti percakapan biasa.
UCAPAN TERIMA KASIH
Penulis mengucapkan terima kasih kepada ibu Yanti Andriyani, ST., M.TI., Ph.D yang telah membimbing, memotivasi serta membantu penelitian dan penulisan karya ilmiah ini.
DAFTAR PUSTAKA
Tim LPPM Unri. (2019). BUKU PANDUAN KULIAH KERJA NYATA
PENDIDIKAN DAN PEMBERDAYAAN MASYARAKAT TAHUN 2019.
Society, 1, 1–34.
Benedictus, R. r., Wowor, H. F., & Sambul, A. (2017). Rancang Bangun Chatbot Helpdesk untuk Sistem Informasi Terpadu Universitas Sam Ratulangi. Jurnal Teknik Informatika, 11(1)
Mulyanto, A. (2010). Analisis Edit Distance Menggunakan Algoritma Dynamic Programming. Saintek, 5(2), 1–10.
Lesomar, F., Wowor, H., & Tulenan, V. (2015). Rancang Bangun Portal WEb Pariwisata Maluku Tenggara. Jurnal Teknik Informatika, 6(1), 2–7.
Dharma, A. S., Banjarnahor, J., Nainggolan, O., & Sihombing, Y. (2018). Analisis Algoritma Approximate String Matching Pada Fitur Autocorrect dalam Pencarian Data. Jurnaltio, 01(01), 1–6.
Aradea and R. A. Dewanto. 2007. “Aplikasi SMS Gateway Dengan Koreksi Kesalahan Menggunakan Fuzzy String Matching.”, Seminar Nasional Aplikasi Teknologi Informasi 2007 (SNATI 2007), pp. 1–7.
Baiti, Zifora Nur dan Fresy Nugroho. 2013. “Aplikasi Chatbot „Mi3‟ Untuk Informasi Jurusan Teknik Informatika Berbasis Sistem Pakar Menggunakan Metode Forward Chaining.” Matics pp. 1–6.
