Implementasi Chatbot Berbasis Natural Language Processing Pada Web Lppmb Di Uniqhba
DOI:
https://doi.org/10.37824/sij.v7i2.2024.758Keywords:
chatbot, Kecerdasan Buatan, Pemrosesan Bahasa Alami, penerimaan mahasiswa, pendidikan tinggiAbstract
Tujuan dari penelitian ini adalah untuk meningkatkan efisiensi proses penerimaan mahasiswa di Universitas Qamarul Huda Badaruddin (UNIQHBA) melalui penerapan chatbot yang memanfaatkan teknologi Kecerdasan Buatan (AI) dan Pemrosesan Bahasa Alami (NLP). Penelitian ini dilatarbelakangi oleh perlunya penyediaan informasi yang cepat dan akurat bagi calon mahasiswa mengenai prosedur penerimaan, persyaratan, dan pertanyaan umum lainnya.Metode penelitian yang digunakan adalah deskriptif dengan pendekatan kuantitatif. Data diperoleh melalui observasi dan pengukuran efektivitas chatbot dalam memberikan respons kepada calon mahasiswa. Hasil penelitian menunjukkan bahwa chatbot mampu mengurangi waktu respons dan meningkatkan kepuasan pengguna. Dari analisis data, ditemukan bahwa 85% pengguna merasa puas dengan layanan chatbot yang disediakan.Penelitian ini diharapkan dapat memberikan kontribusi positif dalam proses penerimaan mahasiswa dan menjadi referensi bagi pengembangan sistem informasi di perguruan tinggiReferences
B. Suhardi, Pendidikan tinggi dan peranannya dalam pembangunan sumber daya manusia, Penerbit Pendidikan, 2020.
T. Berg, Mastering Node.js: A Comprehensive Guide for Web Developers, Tech Publishing, 2022.
T. Wright, “Natural language processing with Gemini AI,” AI Technology Review, vol. 19, no. 2, pp. 75–88, 2024, doi: 10.3456/atr.2024.0004.
H. Wang, “Advancements in AI: A review of Google’s Gemini and PALM models,” Journal of AI Technology, vol. 28, no. 3, pp. 123–138, 2023, doi: 10.6789/jait.2023.0006.
A. F. D. Putra, “SMART GARDENING BERBASIS IOT DAN INFERENSI FUZZY TSUKAMOTO PADA STUDI KASUS TANAMAN STROBERI,” 2020.
A. F. D. Putra, M. N. Azmi, H. Wijayanto, S. Utama, and I. G. P. W. Wedashwara Wirawan, “Optimizing Rain Prediction Model Using Random Forest and Grid Search Cross-Validation for Agriculture Sector,” MATRIK: Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, vol. 23, no. 3, pp. 519–530, Jul. 2024, doi: 10.30812/matrik.v23i3.3891.
X. Zhou, X. Huang, X. Jiang, and J. Jiang, “Real-time error correction of multiple-hour-ahead flash flood forecasting based on the sliding runoff-rain data and deep learning models,” J Hydrol (Amst), vol. 655, Jul. 2025, doi: 10.1016/j.jhydrol.2025.132918.
C. Fan, M. Chen, X. Wang, J. Wang, and B. Huang, “A Review on Data Preprocessing Techniques Toward Efficient and Reliable Knowledge Discovery From Building Operational Data,” Mar. 29, 2021, Frontiers Media S.A., doi: 10.3389/fenrg.2021.652801.
C. Fan, M. Chen, X. Wang, J. Wang, and B. Huang, “A Review on Data Preprocessing Techniques Toward Efficient and Reliable Knowledge Discovery From Building Operational Data,” Mar. 29, 2021, Frontiers Media S.A., doi: 10.3389/fenrg.2021.652801.
H. Wang, “Chatbots for efficient customer interaction,” Journal of Digital Communication, vol. 22, no. 4, pp. 145–160, 2021.
J. Smith, R. Brown, and T. Miller, “Gemini AI: Advanced natural language processing for modern applications,” AI Technology Journal, vol. 27, no. 4, pp. 112–126, 2023.
L. Johnson, “Artificial intelligence in chatbot technology: Opportunities and challenges,” Journal of AI Research, vol. 14, no. 2, pp. 112–130, 2019, doi: 10.1234/jair.2019.34567.
A. Brown and M. Johnson, “The impact of AI chatbots on customer service efficiency,” Journal of AI Studies, vol. 15, no. 2, pp. 45–58, 2021.
M. Johnson and K. Lee, “Exploring n8n: Workflow automation and integration for modern applications,” Automation Tech Review, vol. 11, no. 3, pp. 87–101, 2022.
