Pengembangan Asisten Virtual Dengan Metode Knowledge Graph-Enhanced LLM Untuk Optimalisasi Pengambilan Keputusan Nasabah Berbasis Website (studi kasus: Bank BNI Jember)
Tahun 2026 · Penulis: Haikal Nuril Abiyit
Faculty of Computer Science, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/12444
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Perkembangan teknologi kecerdasan buatan membuka peluang bagi sektor perbankan untuk meningkatkan kualitas layanan pengambilan keputusan nasabah. Namun, chatbot konvensional masih terbatas dalam memahami konteks dan rentan terhadap halusinasi informasi. Penelitian ini mengembangkan Asisten Virtual berbasis website untuk Bank BNI Jember dengan menerapkan arsitektur Knowledge Graph-Enhanced Large Language Model (KG-Enhanced LLM) guna mengatasi limitasi tersebut dan mengoptimalkan keputusan finansial nasabah. Pengembangan sistem dilakukan dengan mentransformasikan data 24 dokumen Ringkasan Informasi Produk dan Layanan (RIPLAY) BNI (14 produk tabungan, 3 deposito, dan 7 kredit) ke format JSON menggunakan model Gemini, divalidasi oleh expert domain, lalu diekstraksi ke basis data graf Neo4j. Proses ini menghasilkan Knowledge Graph (KG) terdiri dari 953 node dengan 13 label dan 1.413 relasi dengan 14 tipe relasi. Logika integrasi dibangun melalui semantic schema, di mana LLM menerjemahkan kueri bahasa alami menjadi Cypher Query dinamis untuk mengambil konteks faktual pada Neo4j, yang selanjutnya disintesis menjadi jawaban fact-grounded menggunakan model GPT-4.1. Evaluasi sistem dilakukan menggunakan dua pendekatan komplementer untuk menguji performa pipa integrasi. Pengujian kualitas dengan metode LLM as Judge menggunakan model GPT-4.1 menghasilkan skor agregat sebesar 4,68/5,0 yang menempatkan keandalan sistem dalam kategori "Sangat Baik" di seluruh metrik, meliputi relevansi (4,68), akurasi fakta (4,62), kelengkapan (4,06), koherensi format (4,90), dan gaya bahasa (4,94). Pengukuran tingkat sebaran data menghasilkan nilai standar deviasi sampel sebesar 0,36, yang membuktikan kualitas luaran sistem stabil dan konsisten. Evaluasi keamanan tone menggunakan model IndoBERT menunjukkan bahwa 100% respons sistem berhasil lolos sentiment gate dengan distribusi 98% netral dan 2% positif, memenuhi target standar komunikasi perbankan yang netral-profesional. Terakhir, uji fungsionalitas menggunakan metode Black Box Testing terhadap 18 skenario uji menegaskan seluruh fitur aplikasi beroperasi penuh sesuai kebutuhan rancangan.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,843
Tahun 2026 · Penulis: Fadil Agusta
Implementasi Model Hybrid Random Forest-Support Vector Machine untuk Prediksi Tingkat Kepuasan Pengguna Layanan Multi Lane Free Flow
Perkembangan teknologi transportasi di Indonesia telah menghadirkan sistem Multi-Lane Free Flow (MLFF) sebagai solusi pembayaran tol nirsentuh yang lebih efisien. Namun, keberhasilan penerapan teknologi ini sangat dipengaruhi oleh tingkat penerimaan masyarakat
- Cosine 0,828
Tahun 2026 · Penulis: Martri Lina Anggraini
Peningkatan Deteksi Deepfake Menggunakan Arsitektur Hibrida Multiskala Vision Transformer dan Xceptionnet (M-Vixnet)
Kemajuan pesat kecerdasan buatan, khususnya Jaringan Adversarial Generatif (Gans), telah meningkatkan secara signifikan Realisme gambar-gambar palsu yang dalam, membuat identifikasi manual semakin sulit. Perkembangan ini merupakan ancaman serius bagi keamanan
- Cosine 0,812
Tahun 2026 · Penulis: Muhammad Firza Wafiqi
Evaluasi Dapak Transport Layer Security Cipher Suite ChaCha20-Poly1305 Terhadap Performa Protokol MQTT
Perkembangan teknologi Internet of Things (IoT) pada sistem pemantauan berbasis jaringan nirkabel menuntut transmisi data secara real-time. Protokol Message Queuing Telemetry Transport (MQTT) menjadi pilihan utama untuk media komunikasi data pada perangkat ber