JITTER- Jurnal Ilmiah Teknologi dan Komputer Vol. 3, No. 1 April 2022

Pencocokan Menu Berbasis Keywords pada Chatbot dengan Metode Jaccard

I Gede Suarnataa1, I Made Sukarsaa2, Kadek Suar Wibawab3 aProgram Studi Teknologi Informasi, Fakultas Teknik, Universitas Udayana, Bali e-mail: 1 gsuarnata99@gmail.com, 2 sukarsa@unud.ac.id, 3 suar_wibawa@unud.ac.id

Abstrak

Tantangan dari mengembangkan chatbot adalah mampu berkomunikasi secara interaktif dan memberikan respons yang akurat sesuai keinginan pengguna. Salah satu metode pattern-matching yang sederhana dan dapat diterapkan sebagai pencocokan menu pada chatbot adalah metode Jaccard. Penelitian ini bertujuan untuk mengetahui pengaruh Algoritma Jaccard terhadap pencocokan menu berbasis keywords pada chatbot. Penelitian ini membahas pengaruh proses pencocokan menu berbasis keywords dengan menggunakan metode Jaccard pada chatbot ketika mencocokan pesan yang dikirim pengguna dengan menu yang tersedia pada basis data chatbot. Berdasarkan implementasi yang dilakukan pada PHP, penggunaan metode Jaccard mampu menangani beberapa kondisi ketika mencocokan menu. Beberapa kondisi tersebut antara lain, pesan yang terdiri dari keseluruhan kata kunci, pesan yang terdiri dari sebagian kata kunci, maupun pesan yang terdiri dari beberapa kata kunci dengan posisi yang ditukar.

Kata kunci: Pencocokan Menu, Keywords, Chatbot, Jaccard, PHP

Abstract

The challenge in developing a chatbot is being able to communicate interactively while also delivering correct responses based on the user's wants. The Jaccard method is a simple pattern matching method that can be implemented as a menu matching in a chatbot. The goal of this study was to know what effect using the Jaccard algorithm that is applied in a chatbot which the matching menu process based on keywords. This study explains the process of matching a menu based on keywords using the Jaccard method on the chatbot when comparing messages given by users with the menu available in the chatbot database. Based on the chatbot implementation in PHP, the Jaccard method can handle several conditions while matching menu. Some of these conditions include messages consisting of all keywords, messages consisting of several keywords, and messages consisting of several keywords with changes positions.

Keywords: Menu Matching, Keywords, Chatbot, Jaccard, PHP

chatbot dapat dilakukan dengan memanfaatkan framework AIML ataupun memanfaatkan pattern-matching [1]. Salah satu metode pattern-matching yang sederhana dan dapat diterapkan sebagai pencocokan menu pada chatbot adalah metode Jaccard.

Jaccard merupakan sebuah algoritma yang digunakan untuk membandingkan kemiripan ataupun perbedaan dari sebuah dokumen ataupun dataset berdasarkan kata yang dimiliki [2]. Penelitian sebelumnya menjelaskan bahwa pencocokan teks dengan Jaccard memberikan hasil yang baik dan lebih cocok diterapkan pada dokumen teks yang sangat pendek [3]. Penelitian lainnya membahas manfaat Jaccard sebagai query suggestion untuk membandingkan keywords dari pengguna dengan data pada basis data pengetahuan sistem dan memberikan hasil metode Jaccard akurat sebagai query suggestion sesuai dengan keywords yang dimasukkan oleh pengguna [2].

Penelitian ini berfokus pada pengaruh proses pencocokan menu berbasis keywords dengan menggunakan metode Jaccard pada chatbot ketika mencocokan pesan yang dikirim pengguna dengan menu yang tersedia. Algoritma Jaccard dipilih karena dapat melakuan perbandingan tanpa melihat posisi penulisan dari sebuah dokumen atau kalimat [4]. Hal tersebut dinilai baik untuk digunakan sebagai pencocokan menu berbasis keywords pada chatbot karena dapat memberikan opsi yang lebih banyak terhadap menu yang akan dipilih pengguna. Proses pencocokan menu chatbot dilakukan dengan membandingkan setiap kata pada pesan yang dikirim pengguna dengan menu yang disediakan. Sistem pencocokan menu berbasis keywords pada chatbot dibangun menggunakan Bahasa Pemprograman PHP dengan studi kasus menggunakan Bahasa Indonesia.

  • 2.    Research Method

Pada penelitian ini, terdapat beberapa tahapan mulai dari analisa permasalahan pengumpulan data, perancangan sistem chatbot, dan uji coba sistem chatbot. Berikut merupakan rancangan sistem pencocokan menu berbasis keywords pada chatbot yang ditampilkan dalam diagram alur.

  • 2.1.    Diagram Alur Umum

Diagram alur umum merupakan alur secara umum mengenai proses pencocokan menu berbasis keywords pada chatbot. Diagram alur umum menggambarkan aliran pesan dari dikirim oleh pengguna hingga pengguna menerima kembali pesan respons dari chatbot. Berikut merupakan diagram alur umum penelitian ini.

Mulai

Penerimaan Pesan

Preprocessing Pesan

Pencocokan Menu

(Jaccard)

_Z_

Pengiriman Respons

Selesai

Gambar 1. Diagram Alur Umum Sistem Chatbot

Diagram alur umum sistem chatbot terdiri dari empat proses. Proses pertama adalah diterimanya pesan yang dikirim pengguna dengan aplikasi Telegram. Proses kedua adalah preprocessing pesan yang berfungsi untuk mengubah teks pesan yang dikirim pengguna menjadi sesuai dengan format pemrosesan. Proses ketiga adalah pencocokan menu yang bertujuan untuk mencocokkan pesan yang dikirim pengguna dengan menu yang telah disediakan pada database chatbot sehingga memperoleh pesan balasan berupa menu. Proses terakhir adalah pengiriman respons kepada pengguna melalui chatbot yang disediakan.

  • 2.2.    Diagram Alur Preprocessing

Diagram alur preprocessing menjelaskan mengenai pemrosesan tahap awal dari pesan yang akan disesuaikan dengan format yang diperlukan pada tahapan selanjutnya. Berikut merupakan diagram alur preprocessing yang digunakan.

Gambar 2. Diagram Alur Preprocessing

Diagram alur preprocessing terdiri dari proses tokenizing, proses case folding, proses filtering, dan proses stemming. Proses tokenizing berfungsi untuk mengelompokkan kata dari suatu kalimat untuk menjadi token. Proses case folding bertujuan untuk menjadikan teks menjadi non-kapital serta penghapusan karakter yang tidak diperlukan. Proses filtering berfungsi untuk menghapus stopwords atau kata yang tidak memiliki makna. Proses stemming berfungsi untuk menjadikan kata menjadi kata dasar untuk kata berimbuhan dengan menggunakan sebuah library yaitu Sastrawi.

  • 2.3.    Diagram Alur Pencocokan Menu

Diagram alur proses pencocokan menu menjelaskan proses pencocokan pesan yang dikirim oleh pengguna dengan menu yang disediakan pada database chatbot. Berikut merupakan diagram alur pencocokan menu yang digunakan pada penelitian ini.

Gambar 3. Diagram Alur Pencocokan Menu

Diagram alur pencocokan menu terdiri dari beberapa tahapan. Penjelasan dari diagram alur pencocokan menu adalah sebagai berikut:

  • a.    Masukan dari proses pencocokan menu adalah pesan yang dikirim oleh pengguna.

  • b.    Proses selanjutnya yang dijalankan adalah preprocessing pesan.

  • c.    Sistem kemudian mengakses menu pada database chatbot.

  • d.    Sistem kemudian membandingkan pesan pengguna dengan semua menu yang tersedia pada database chatbot. Proses pembandingan dilakukan dengan menggunakan metode Jaccard.

  • e.    Menu yang dipilih adalah menu dengan skor lebih dari threshold yang telah ditentukan yaitu 0.3 dan kemudian akan diurutkan berdasarkan menu dengan skor tertinggi.

  • f.    Poin (d) akan terus dijalankan hingga semua menu yang tersedia telah dicocokkan dengan pesan pengguna.

  • 2.4.    Diagram Alur Jaccard

Diagram alur Jaccard merupakan diagram yang menjelaskan bagaimana proses Algoritma Jaccard bekerja ketika mencocokan pesan yang dikirim pengguna dengan menu yang tersedia. Berikut merupakan diagram alur Jaccard yang digunakan pada penelitian ini.

Gambar 4. Diagram Alur Jaccard

Diagram alur jaccard terdiri dari beberapa proses. Penjelasan dari diagram alur Jaccard adalah sebagai berikut:

  • a.    Proses pertama adalah menghitung nilai intersect atau jumlah kata yang tidak sama dari kedua string atau kalimat.

  • b.    Proses kedua adalah menghitung nilai union atau jumlah kata yang sama dari kedua string atau kalimat.

  • c.    Selanjutnya hitung dengan menggunaan rumus dari Algoritma Jaccard (membagi intersect dengan union) dan skor sudah didapatkan.

  • 3.    Literature Study

Studi literatur dilakukan berdasarkan kajian pustaka yang bersumber dari jurnal, hasil penelitian terdahulu yang dipublikasikan, dan sumber lainnya seperti internet, surat kabar, serta media lainnya yang sesuai dengan pengembangan sistem pencocokan menu berbasis keywords pada penelitian ini.

  • 3.1    Teks Preprocessing

Tahap text preprocessing memiliki tujuan untuk menyiapkan teks menjadi data siap proses untuk proses selanjutnya dalam rangkaian pemrosesan NLP [5]. Beberapa operasi yang dilakukan pada tahap teks preprocessing adalah tokenizing, case folding, filtering, dan stemming.

  • 1)    Tokenizing

Sebagian besar proses NLP yang dilakukan beroperasi pada tingkat kata atau kalimat, sehingga tokenizing menjadi langkah penting dalam pemrosesan bahasa alami. Beberapa penelitian terkait pemrosesan NLP menyertakan proses tokenizing sebagai pemrosesan awal. Tokenisasi bertugas membagi kata dari teks atau kalimat menjadi set morfem yang berurutan [6].

  • 2)    Case Folding

Case folding pada penelitian ini berfungsi untuk mengganti seluruh huruf pada kata atau kalimat menjadi huruf kecil [5]. Pada tahap ini hasil dari tokenisasi yang telah dilakukan

sebelumnya diubah menjadi huruf non-kapital. Tujuan dilakukannya adalah untuk mempermudah proses selanjutnya ketika data pesan dari pengguna akan dicocokkan dengan data menu yang disimpan pada database.

  • 3)    Filtering

Filetring adalah tahapan untuk memilih kata-kata penting dari token yang tersedia. Terdapat dua pendekatan umum yang dapat digunakan yaitu stoplist (menghilangkan kata yang tidak digunakan) atau wordlist (mengambil kata yang digunakan). Stoplist atau stopword adalah kata-kata yang tidak deskriptif [5]. Pada penelitian ini digunakan pendekatan stoplist karena stopwords yang dideteksi akan dihapus dari kalimat.

  • 4)    Stemming

Stemming merupakan proses menghilangkan imbuhan yang terdapat pada kata sehingga kata tersebut menjadi kata dasar. Digunakan Stemmer Sastrawi yang merupakan sebuah library PHP yang menyediakan stemming dalam Bahasa Indonesia. Proses stemming pada Stemmer Sastrawi bergantung pada kamus kata dasar yang digunakan, sumber kata dasar yang digunakan pada Stemmer Sastrawi berasal dari kateglo.com [7].

  • 3.2    Jaccard Index

Jaccard Index merupakan sebuah algoritma yang digunakan untuk membandingkan kemiripan dari sebuah dokumen ataupun dataset [2]. Perhitungan koefisien Jaccard Index antara dua kumpulan data didapatkan berdasarkan hasil pembagian dari jumlah data yang sama yang dibandingkan dengan keseluruhan jumlah data yang ada. Jaccard index dapat dirumuskan sebagai berikut.

Jaccard(AlB) = j^j

()


Persamaan 1 merupakan rumus perhitungan menggunakan metode Jaccard Index. Penjelasan dari rumus tersebut adalah^ dan B merupakan kumpulan set yang akan dihitung tingkat kemiripannya, A ∩ B∣ merupakan irisan (intersect) dari kumpulan set A dan B , dan ∣A U B∣ merupakan kesatuan (union) dari kumpulan set j^ dan .

  • 4.    Result and Discussion

Bagian ini berisi hasil dan pembahasan dari sistem pencocokan menu berbasis keywords pada chatbot dengan metode Jaccard.

  • 4.1    Implementasi Jaccard pada PHP

Metode Jaccard dipilih karena dinilai paling sesuai dengan pencocokan string yang dapat dirubah posisi karakternya, dimana dalam konteks ini adalah menu. Pencocokan menu sangat efektif dilakukan tanpa memperhitungkan posisi string pada suatu kalimat. Berikut merupakan kode program dari metode Jaccard yang diimplementasikan dengan Bahasa Pemprograman PHP.

function jaccard($item1, $item2)

{

$arr_intersection = array_intersect( $item2, $item1 );

$arr_union = array_unique(array_merge( $item1, $item2 ));

$coefficient = count( $arr_intersection ) / count( $arr_union );

return $coefficient;

}

Kode Program 1. Jaccard Index

Kode Program 1 merupakan pengaplikasian dari metode Jaccard Index. Sesuai dengan rumus Jaccard Index yaitu membagi antara jumlah data yang sama dengan keseluruhan jumlah data yang ada. Fungsi PHP array intersect digunakan untuk memperoleh string atau data yang sama diantara dua kalimat dan untuk mendapatkan keseluruhan data dengan catatan data yang sama dihitung satu digunakan fungsi PHP array marge yang kemudian dikombinasikan dengan fungsi array unique.

  • 4.2    Perhitungan Jaccard Terhadap Menu

Proses perhitungan yang dilakukan berdasarkan rumus Jaccard Index. Berikut merupakan proses perhitungan menggunakan metode Jaccard Index antara pesan yang dikirm pengguna terhadap beberapa menu chatbot yang disediakan.

Tabel 1. Contoh Pesan Pengguna dan Menu untuk Perhitungan Jaccard

No

Pesan Setelah Preprocessing (A)

Menu Teratas (B)

1

tambah aktivitas

1

Tambah Aktivitas

2

Tambah Departemen

3

Hapus Aktivitas

2

aktivitas

1

Tambah Aktivitas

2

Hapus Aktivitas

3

Tampilkan Foto Awal Aktivitas

3

aktivitas tambah

1

Tambah Aktivitas

2

Tambah Departemen

3

Hapus Aktivitas

Tabel 1 merupakan contoh pesan yang dikirim pengguna dan menu yang didapatkan chatbot berdasarkan hasil pencocokan. Perhitungan kemiripan dengan menggunakan metode Jaccard pada contoh kedua “aktivitas” dengan menu “tambah aktivitas” dengan menggunakan spasi sebagai delimiter maka A = [aktivitas] dan B = [tambah, aktivitas]. Irisan (intersect) himpunan A dan B (A ∩ B) = [aktivitas] dengan jumlah satu. Kesatuan (union) himpunan A dan B (A ∪ B) = [tambah, aktivitas] dengan jumlah dua. Hasil perhitungan kemiripan kedua kalimat dengan perhitungan Jaccard dapat dilihat sebagai berikut.

faccard(A, B) = — = 0.5

Gambar 5. Contoh Hasil Perhitungan Jaccard

Gambar 5 merupakan hasil perhitungan Jaccard dari kata “aktivitas” dengan kalimat “tambah aktivitas”. Hasil perhitungan rumus Jaccard dari kedua data tersebut menghasilkan skor 0,5. Hasil keseluruhan dari perhitungan Jaccard antara himpunan A dan B ditampilkan pada Tabel 2.

Tabel 2. Hasil Perhitungan Jaccard

No.

Pesan Setelah Preprocessing (A)

Menu Teratas (B)

Hasil Perhitungan Jaccard

1

tambah aktivitas

1

Tambah Aktivitas (Harapan)

1

2

Tambah Departemen

0.33

3

Hapus Aktivitas

0.33

2

aktivitas

1

Tambah Aktivitas (Harapan)

0.5

2

Hapus Aktivitas

0.5

3

Tampilkan Foto Awal Aktivitas

0.25

3

aktivitas tambah

1

Tambah Aktivitas (Harapan)

1

2

Tambah Departemen

0.33

3

Hapus Aktivitas

0.33

Hasil perhitungan pada Tabel 2 menunjukkan bahwa penggunaan metode Jaccard pada pencocokan menu berbasis keywords dapat memberikan hasil yang baik. Metode Jaccard yang digunakan mampu menangani beberapa kondisi seperti menggunakan keseluruhan kata kunci, sebagian kata kunci, maupun beberapa kata kunci dengan posisi yang ditukar untuk dapat menentukan menu yang diharapkan.

  • 5.    Conclusion

Pencocokan menu berbasis keywords pada chatbot dengan metode Jaccard dapat diterapkan pada bahasa pemprograman PHP. Penggunaan metode Jaccard mampu menangani beberapa kondisi seperti ketika pesan terdiri dari keseluruhan kata kunci, sebagian kata kunci, maupun beberapa kata kunci dengan posisi yang ditukar. Pencocokan menu dengan memanfaatkan metode Jaccard dinilai sangat efektif karena tidak memperhitungkan posisi string pada suatu menu. Misalnya ketika ada sebuah menu dengan nama “Tambah aktivitas”, namun pengguna mengetikkan kalimat “aktivitas tambah” maka hasil yang diberikan sistem chatbot masih memiliki nilai sempurna atau maksimal.

Sistem pencocokan menu ini diharapkan dapat dikembangkan dengan menggunakan algoritma NLP lainnya agar dapat diketahui kelebihan ataupun kekurangan dari masing-masing algoritma NLP tersebut. Diharapkan juga sistem pencocokan menu ini dapat dikombinasikan dengan sistem lainnya seperti perbaikan salah ketik ataupun pencocokan berbasis semantik (kemiripan antara teks atau dokumen berdasarkan makna kontekstualnya).

References

  • [1]    I. N. S. Paliwahet, I. M. Sukarsa, and I. K. Gede Darma Putra, “Pencarian Informasi

Wisata Daerah Bali Menggunakan Teknologi Chatbot,” Lontar Komput. J. Ilm. Teknol. Inf., vol. 8, no. 3, p. 144, 2017, doi: 10.24843/lkjiti.2017.v08.i03.p01.

  • [2]    K. Rinartha, “Simple Query Suggestion Untuk Pencarian Artikel Menggunakan Jaccard Similarity,” J. Ilm. Rekayasa dan Manaj. Sist. Inf., vol. 3, no. 1, pp. 30–34, 2017.

  • [3]    M. Ermawati and J. L. Buliali, “Text Based Approach For Similar Traffic Incident Detection from Twitter,” Lontar Komput. J. Ilm. Teknol. Inf., vol. 9, no. 2, p. 63, 2018, doi: 10.24843/lkjiti.2018.v09.i02.p01.

  • [4]    O. Nurdiana, J. Jumadi, and D. Nursantika, “Perbandingan Metode Cosine Similarity Dengan Metode Jaccard Similarity Pada Aplikasi Pencarian Terjemah Al-Qur’an Dalam Bahasa Indonesia,” J. Online Inform., vol. 1, no. 1, p. 59, 2016, doi: 10.15575/join.v1i1.12.

  • [5]    N. P. Putra and Sularno, “Penerapan Algoritma Rabin-Karp Dengan Pendekatan Synonym Recognition Sebagai Antisipasi Plagiarisme Pada Penulisan Skripsi,” J. Teknol. Dan Sist. Inf. Bisnis, vol. 1, no. 2, pp. 49–58, 2019.

  • [6]    A. H. Aliwy, “Tokenization as Preprocessing for Arabic Tagging System,” Int. J. Inf. Educ. Technol., vol. 2, no. 4, pp. 348–353, 2012, doi: 10.7763/ijiet.2012.v2.149.

  • [7]    N. Saputra, T. B. Adji, and A. E. Permanasari, “Analisis Sentimen Data Presiden Jokowi dengan Preprocessing Normalisasi dan Stemming Menggunakan Metode Naive Bayes dan SVM,” J. Din. Inform., vol. 5, no. November, p. 12, 2015.