PENGEMBANGAN CHATBOT E-COMMERCE BERBASIS LARGE LANGUAGE MODEL DENGAN PENDEKATAN RETRIEVAL-AUGMENTED GENERATION UNTUK MENDUKUNG AUTOMATED QUERY RESOLUTION DAN ORDER PROCESSING - Dalam bentuk buku karya ilmiah

MUHAMMAD HARIS SITOMPUL

Informasi Umum

Kode

25.04.3745

Klasifikasi

000 - General Works

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Artificial Intelligence

Dilihat

15 kali

Informasi Lainnya

Abstraksi

Seiring dengan pesatnya perkembangan teknologi informasi dan komunikasi di era digital, lanskap bisnis global mengalami perubahan yang signifikan, salah satunya transformasi digital melalui platform e-commerce. Namun, seiring meningkatnya jumlah produk dan kebutuhan informasi yang akurat bagi pelanggan, tantangan muncul dalam menyediakan layanan pelanggan yang responsif dan relevan. Sistem yang digunakan diharuskan untuk mampu merespons pertanyaan pelanggan dengan cepat dan relevan. Oleh karena itu, teknologi chatbot berbasis AI semakin diadopsi untuk mengatasi tantangan tersebut. Penelitian ini mengusulkan pengembangan chatbot e-commerce dengan pendekatan Retrieval-Augmented Generation (RAG), yang menggabungkan kemampuan Large Language Model (LLM) dengan sistem pencarian dokumen berbasis vektor. Model LLM yang digunakan adalah Llama-3.3-70B-Instruct, yang telah ditingkatkan kemampuannya dengan menambahkan informasi relevan melalui pencarian semantik terhadap knowledge base yang disimpan dalam vector storage berupa FAISS. Dengan pendekatan ini, chatbot mampu memberikan jawaban berbasis data aktual tanpa perlu melakukan fine-tuning, serta meminimalkan munculnya jawaban yang bersifat asumsi atau spekulatif. Hasil implementasi sistem menunjukkan bahwa integrasi LLM dan RAG dapat meningkatkan efisiensi layanan pelanggan dalam platform e-commerce. Hal ini dibuktikan melalui evaluasi mengunakan performance metrics dengan hasil skor metrik yang cukup tinggi, sehingga menunjukkan bahwa chatbot mampu memberikan jawaban yang akurat dan relevan sesuai kebutuhan pengguna. Kata kunci: e-commerce, chatbot, Large Language Model, Retrieval-Augmented Generation, LLaMA, FAISS, dense retrieval, performance metrics