Muhammad, Azzam (2019) Klasifikasi Intent untuk Task-Oriented Dialog System Menggunakan Arsitektur Long Short-Term Memory (Studi Kasus : E-commerce). Other thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
05211540000022-Undergraduate_Theses.pdf Download (2MB) | Preview |
Abstract
Penggunaan internet di Indonesia telah mengalami perkembangan yang cukup pesat setiap tahunnya. Sebagian besar layanan internet yang digunakan oleh masyarakat Indonesia adalah aplikasi chatting. Aplikasi chatting saat ini diminati oleh berbagai kalangan, yang memungkinkan penggunanya untuk dapat bertukar pesan secara bebas. Perusahaan e-commerce dapat menggunakan aplikasi chatting sebagai sarana bertukar pesan dengan pelanggan. Kesigapan penjual dalam menanggapi pesan pelanggan dapat menumbuhkan persepsi positif terhadap kualitas pelayanan yang diberikan. Namun, masalah muncul ketika jumlah pesan yang masuk dalam sehari terlampau banyak. Dengan sumber daya manusia yang terbatas, membalas satu persatu pesan dapat menyita banyak waktu. Task-oriented dialog agents adalah program yang dapat berkomunikasi dengan pengguna dengan bahasa alami dan didesain khusus untuk menyelesaikan tugas tertentu. Sehingga penggunaannya memiliki potensi besar bagi penjual atau pemilik usaha untuk meningkatkan responsifitas mereka dalam membalas pesan pelanggan pada aplikasi chatting. Arsitektur task-oriented dialog terdiri dari modul Natural Language Understanding (NLU), Dialog Manager, dan Natural Language Generation (NLG). Modul NLU digunakan untuk mengubah masukan pengguna ke dalam bentuk semantik. Long Short-Term Memory (LSTM) merupakan salah satu arsitektur Recurrent Neural Network (RNN) yang terbukti bekerja dengan baik pada tugas klasifikasi intent pada modul NLU. Sehingga penelitian ini menggunakan arsitektur tersebut untuk melakukan klasifikasi intent pada percakapan bahasa Indonesia dengan domain e-commerce. Dalam penerapannya LSTM membutuhkan masukan berupa vektor kata agar proses training untuk menjadi suatu model dapat dilakukan. Sehingga dalam penelitian ini menggunakan pretrained word embedding model untuk melakukan representasi vektor kata. Hasil yang diharapkan dalam penelitian ini adalah model klasifikasi intent dengan nilai akurasi tertinggi untuk percakapan bahasa Indonesia dengan domain e-commerce.
================================================================================================================================
Internet usage in Indonesia has grown quite rapidly every year. Most of internet services used by Indonesian are chat applications. Chat applications are currently used by various group of people, which allow them to be able to exchange messages seamlessly. E-commerce companies can use chat applications to communicate with their customers. Responsiveness of sellers in replying to customer messages can have an effect on feedback regarding the quality of services provided. Problems arise when there are too many messages received by the seller in a day. With limited human resources, replying to those messages one by one can take a lot of time. Task-oriented dialog agents are programs that can communicate with users using natural languages and are specifically designed to complete certain tasks. So that its use has great potential for sellers or business owners to increase their responsiveness in replying to customer messages on chat applications. The task-oriented dialog architecture consists of Natural Language Understanding (NLU), Dialog Manager, and Natural Language Generation (NLG) modules. The NLU module is used to convert user input into semantic form. Long Short-Term Memory (LSTM) is one of the Recurrent Neural Network (RNN) architectures that has proven to work well in the intent classification task of the NLU module. So that this study uses LSTM to classify the intent in Indonesian conversations within the e-commerce domain. In its implementation, LSTM requires input in the form of a word vector so that it can be processed for model training. To do a word vector representations, this study uses a pretrained word embedding model. The expected results in this study are the intent classification model with the highest accuracy for Indonesian conversations within the e-commerce domain.
| Item Type: | Thesis (Other) |
|---|---|
| Additional Information: | RSSI 004.25 Azz k-1 2019 |
| Uncontrolled Keywords: | Intent Classification, Long Short-Term Memory, Natural Language Understanding, Task-Oriented Dialog System, Word Embedding |
| Subjects: | Q Science > QA Mathematics > QA278.55 Cluster analysis Q Science > QA Mathematics > QA76.6 Computer programming. T Technology > T Technology (General) |
| Divisions: | Faculty of Information and Communication Technology > Information Systems > 57201-(S1) Undergraduate Thesis |
| Depositing User: | Muhammad Azzam |
| Date Deposited: | 08 Jun 2023 02:57 |
| Last Modified: | 08 Jun 2023 02:57 |
| URI: | http://repository.its.ac.id/id/eprint/64235 |
Actions (login required)
 |
View Item |