eprintid: 8690
rev_number: 8
eprint_status: archive
userid: 11
dir: disk0/00/00/86/90
datestamp: 2024-07-30 03:25:09
lastmod: 2024-07-30 03:25:09
status_changed: 2024-07-30 03:25:09
type: monograph
metadata_visibility: show
contact_email: repository@staff.ukdw.ac.id
creators_name: , Kristian Adi Nugraha
creators_name: , Danny Sebastian
creators_id: 0504108901
creators_id: 0526118803
contributors_type: http://www.loc.gov/loc.terms/relators/RTM
contributors_name: , Joshua Gibeon Mulyana
title: METODE K-NEAREST NEIGHBOR UNTUK PEMBUATAN CHATBOT LAYANAN AKADEMIK DI UNIVERSITAS KRISTEN DUTA WACANA
ispublished: unpub
subjects: T1
full_text_status: restricted
monograph_type: project_report
keywords: k-nearest neighbor, chatbot, natural language processing
abstract: Chatbot merupakan sebuah teknologi yang digunakan untuk membalas pesan berbentuk
teks dari seseorang secara otomatis. Hal ini dapat meringankan pekerjaan manusia dalam
membalas pesan-pesan yang masuk karena dapat ditangani oleh chatbot. Demikian juga pada
layanan kontak atau yang biasa disebut sebagai customer service yang seringkali menerima
pesan dalam jumlah yang besar. Pekerjaan mereka akan menjadi lebih ringan apabila terdapat
bantuan chatbot.
Pada penelitian ini, penulis membangun sebuah chatbot dengan menggunakan metode
K-NN untuk diterapkan di Fakultas Teknologi Informasi Universitas Kristen Duta Wacana.
Tujuan dari chatbot ini adalah untuk membantu admin fakultas dalam membalas pesan-pesan
dari mahasiswa atau wali mahasiswa. Dengan demikian, pekerjaan admin akan menjadi lebih
ringan sehingga waktu yang dimiliki dapat dialokasikan untuk pekerjaan lainnya.
Berdasarkan hasil pengujian akurasi menggunakan data uji yang telah dikumpulkan,
secara keseluruhan chatbot memberikan akurasi yang kurang memuaskan, yaitu 15% untuk
nilai K = 3. Hal ini disebabkan karena banyak pertanyaan yang tidak dapat dipahami oleh
sistem. Beberapa faktor yang mempengaruhi hal tersebut adalah adanya kesalahan penulisan
(typo), penggunaan singkatan, dan penggunaan bahasa slang yang tidak dapat diproses oleh
sistem
date: 2020-11-16
publisher: Prodi Sistem Informasi, Universitas Kristen Duta Wacana
place_of_pub: Yogyakarta
pages: 90
institution: Universitas Kristen Duta Wacana
department: Informatika
referencetext: Aggarwal, C. C., & Zhai, C. X. (2012). Mining Text Data. Boston, MA: Springer.
Agnihotri, D., Verma, K., & Tripathi, P. (2014). Pattern and cluster mining on text data. Fourth
International Conference on Communication Systems and Network Technologies.
Agung, B. (2017, Desember 2017). Pengguna Internet di Indonesia Akses Medsos 3 Jam Per
Hari. (CNN Indonesia) Retrieved Juli 26, 2018, from
https://www.cnnindonesia.com/teknologi/20171218192500-192-263281/penggunainternet-di-indonesia-akses-medsos-3-jam-per-hari
Ahmad, S., & Varma, R. (2018). Information extraction from text messages using data mining
techniques. Malaya Journal of Matematik, S(1), 26-29.
Al-Anzi, F., & AbuZeina, D. (2017). Toward an enhanced Arabic text classification using
cosine similarity and latent semantic indexing. Journal of King Saud University –
Computer and Information Sciences, 29(2), 189-195.
Albayrak, N., Özdemir, A., & Zeydan, E. (2018). An overview of artificial intelligence based
chatbots and an example chatbot application. 2018 26th Signal Processing and
Communications Applications Conference (SIU). Izmir, Turkey: IEEE.
Allahyari, M., Pouriyeh, S., Assefi, M., Safaei, S., Trippe, E., Gutierrez, J., & Kochut, K.
(2017). A brief survey of text mining: Classification, clustering and extraction
techniques. arXiv preprint arXiv:1707.02919.
Bahtar, A., & Muda, M. (2016). The Impact of User--Generated Content (UGC) on Product
Reviews towards Online Purchasing-A Conceptual Framework. Procedia Economics
and Finance. 37, pp. 337-342. Elsevier.
Bhardwaj, B. (2016). Text Mining, its Utilities, Challenges and Clustering Techniques.
International Journal of Computer Applications, 135(1).
Chae, J., Thom, D., Bosch, H., Jang, Y., & Maciejewski, R. (2012). Spatiotemporal Social
Media Analytics for Abnormal Event Detection and Examination using Seasonal-Trend
Decomposition. Visual Analytics Science and Technology (VAST) (pp. 143-152). IEEE.
Chen, X., Vorvoreanu, M., & Madhavan, K. (2014). Mining Social Media Data for
Understanding Student's Learning Experiences. IEEE Transactions on Learning
Technologies, 7(3), 246-259.
Chrismanto, A., & Lukito, Y. (2016). Klasifikasi Sentimen Komentar Politik dari Facebook
Page Menggunakan Naive Bayes. Jurnal Informatika dan Sistem Informasi, 2(2), 26-
34.15
Cooley, R., Mobasher, B., & Srivastava, J. (1997). Web mining: Information and pattern
discovery on the world wide web. Tools with Artificial Intelligence, 1997.
Proceedings., Ninth IEEE International Conference on. IEEE.
Crowston, K., & Fagnot, I. (2018). Stages of motivation for contributing user-generated
content: A theory and empirical test. International Journal of Human-Computer
Studies, 109, 89-101.
Daugherty, T., Eastin, M. S., & Bright, L. (2008). Exploring consumer motivations for creating
user-generated content. Journal of interactive advertising, 2(2), 16-25.
Gomaa, W., & Fahmy, A. (2013). A Survey of Text Similarity Approaches. International
Journal of Computer Applications , 68(13), 13-18.
Gupta, V., & Lehal, G. S. (2009). A Survey of Text Mining Techniques and Applications.
Journal of Emerging Technologies in Web Intelligence, 1(1), 60-76.
He, W., Zha, S., & Li, L. (2013). Social media competitive analysis and text mining: A case
study in pizza industry. International Journal of Information Management, 33(3), 464-
472.
Iglesias, J. A., Tiemblo, A., Ledezma, A., & Sanchis, A. (2016). Web news mining in an
evolving framework. Information Fusion, 28, 90-98.
Inzalkar, S., & Sharma, J. (2015). A survey on text mining-techniques and application.
International Journal of Research In Science & Engineering, 24, 1-14.
Jo, T. (2017). Using K Nearest Neighbors for text segmentation with feature similarity. 2017
International Conference on Communication, Control, Computing and Electronics
Engineering (ICCCCEE). Khartoum, Sudan: IEEE.
Kaplan, A. M., & Haenlein, M. (2010). Users of the world, unite! The challenges and
opportunities of Social Media. Business horizons, 53(1), 59-68.
Kaplan, A. M., & Haenlein, M. (2010). Users of the world, unite! The challenges and
opportunities of Social Media. Business Horizons, 53, 59-68.
Kim, A. J., & Johnson, K. K. (2016). Power of consumers using social media: Examining the
influences of brand-related user-generated content on Facebook. Computer in Human
Behavior, 58, 98-108.
Kohavi, R. (2001). Mining E-Commerce Data: The good, the bad, and the ugly. Proceedings
of the seventh ACM SIGKDD international conference on Knowledge discovery and
data mining. ACM.
funders: adinugraha@staff.ukdw.ac.id
citation:   Kristian Adi Nugraha and Danny Sebastian  (2020) METODE K-NEAREST NEIGHBOR UNTUK PEMBUATAN CHATBOT LAYANAN AKADEMIK DI UNIVERSITAS KRISTEN DUTA WACANA.  Research Report (Lecturer). Prodi Sistem Informasi, Universitas Kristen Duta Wacana, Yogyakarta.    (Unpublished)  
document_url: https://katalog.ukdw.ac.id/8690/1/115_PENDAHULUAN_KESIMPULAN_DAFTARPUSTAKA.pdf
document_url: https://katalog.ukdw.ac.id/8690/2/115_FULLTEXT.pdf