Naskah publikasi amikom chatbot

7/24/2019 Naskah publikasi amikom chatbot

1/20

PEMANFAATAN STRUCTURED QUERY LANGUAGE

DALAM MEMBANGUN CHATBOTBERBASIS

PATTERN-MATCHING

NASKAH PUBLIKASI

diajukan oleh

Ayu Mutiara Oktavia Dewi

10.11.4391

kepada

SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER

AMIKOM YOGYAKARTA

YOGYAKARTA

2014


2/20

NASKAH PUBLIKASI


3/20

PEMANFAATAN STRUCTURED QUERY LANGUAGEDALAM MEMBANGUN CHATBOTBERBASIS

PATTERN-MATCHING

UTILIZATION OFSTRUCTURED QUERY LANGUAGE

FOR DEVELOPING PATTERN-MATCHING BA SED

CHATBOT

Ayu Mutiara Oktavia DewiBayu Setiaji

Jurusan Teknik InformatikaSTMIK AMIKOM Yogyakarta

ABSTRACT

Chatbot is one of the applications in the field of Natural Language Processing(NLP) which can have a conversation with a human. Chatbot allows interaction betweenhumans and computers can be done with natural language through the medium of writingor sound. One way that is used in text processing in chatbot the pattern matching .Patterns that may be found during the conversation as knowledge stored in plain text ordatabase.

Structured Query Language or SQL is a language used to manipulate data in aRelational Database Management System or RDBMS . Storage of pattern in theknowledge that allows the use of SQL to handle pattern matching process in the chatbotengine.

The results of the research is adabase as a core that contains tables as theknowledge structure and stored programs for pattern matching process . Core can be

used for chatbot application development by using a wide variety of programminglanguages .

Keywords :chatbot, pattern matching, RDBMS, SQL, stored program


4/20

1

1. Pendahuluan

Chatbot adalah aplikasi yang memungkinkan komunikasi antara mesin dengan

manusia dilakukan menggunaan bahasa alami. Aplikasi ini memiliki pengetahuan yang

sudah terprogram terlebih dahulu. Salah satu cara yang digunakan dalam proses

penelusuran pengetahuan selama proses percakapan adalah dengan pencocokan pola

(pattern-matching). Chatbot akan mencocokkan input kalimat dari lawan bicara (user)

dengan pola (pattern) yang ada dalam pengetahuannya. Setiap pattern berpasangan

dengan respon yang harus diberikan (template). Jika pola cocok maka chatbot akan

memberikan template yang bersesuaian sebagai respon kepada user. Pasanganpattern-

template sebagai pengetahuan utama chatbot tersimpan sebagai plain-text, basis data

(database), atau format yang lain.

Aplikasi BotQA (Utami, 2007) adalah salah satu contoh chatbotstandaloneyang

menggunakan pattern-matching. Aplikasi ini menyimpan pengetahuannya dalam format

plain-text.Selama proses percakapan bila ada patternyang belum dikenali maka secara

otomatis BotQA akan menyimpan sebagai pengetahuan baru.

Contoh lain adalah chatbot berbasis AIML (Artificial Ingelligence Markup

Language) yang memiliki pemrosesan pengetahuan secara modular (Setiaji, 2013).

Sistem ini berupa web service yang dapat diakses oleh banyak client. Pola pola

percakapan sebagai pengetahuan bahasa tersusun dalam format AIML yang tersimpan

dalam database. Sistem ini dapat ditambahkan modul pengetahuan spesifik yang

terpisah. Penggunaan database MySQL dalam chatbot ini hanya sebatas untuk

penyimpanan pengetahuan. Semua kode untuk keperluanpattern-matchingditulis dalam

bahasa PHP sehingga untuk membuat service dalam bahasa yang lain harus ditulis

ulang kodenya.

Penyimpanan pattern-template sebagai pengetahuan dalam Relational Data

Base Management System (RDBMS), atau database, memungkinkan penggunaan

Structured Query Language (SQL) untuk menangani proses pattern-matching. Dalam

RDBMS sudah tersedia banyak built-in function atau procedure dan dapat dibuat user-defined strored program yang dipanggil menggunakan SQL. Hal ini memungkinkan

banyak bahasa pemrograman dapat mengimplementasikannya dengan mudah karena

cukup melakukan query ke database untuk mengirim input user dan menerima respon

yang diberikan.

Hasil akhir penelitian ini adalah sebuah core chatbotberupa databaseyang berisi

tabeltabel sebagai representasi pengetahuan dan sekumpulan strored programuntuk

pemrosesan pattern-matching. Database ini dapat dimanfaatkan oleh banyak bahasa

pemrograman untuk membangun aplikasi chatbotsesuai kebutuhan.


5/20

2

Berdasar uraian di atas dapat diambil beberapa rumusan masalah sebagai

berikut.

1. Bagaimana merancang dan membuat representasi pengetahuan dalam tabel

tabel di database?

2. Bagaimana memanfaatkan Structured Query Language dalam operasi pattern-

matchingdi database?

3. Bagaimana membangun aplikasi chatbot untuk beberapa bahasa pemrograman

yang memanfaatkan databasesebagai core-nya?

2. Landasan Teori

2.1 Chatbot

Chatterbot atau chatbot secara harfiah berasal dari dua kata yaitu chat yang

berarti obrolan dan bot sebagai singkatan dari kata robot yang berarti pekerja. Dalam

dunia komputer makna dari chat sendiri adalah cara komunikasi yang dilakukan melalui

sarana baris baris tulisan. Sedangkan bot, yang sering dikenal juga sebagai agent,

adalah program yang mengandung sejumlah data yang akan memberi jawaban jika

diberikan masukan (Utami, E, dkk., 2007).

Pada mulanya chatbot adalah program komputer yang mensimulasikan

percakapan secara tertulis yang membuat manusia seakan akan sedang bercakap

cakap dengan orang lain (www.simonlaven.com).

Untuk dapat mengerti bahasa manusia chatbot menggunakan kecerdasan

buatan dalam bentuk engine yang dilengkapi dengan kemampuan komputasi linguistik.

2.2 Pattern Matching

Berdasar pengertian yang tetulis di Wikipedia

(http://en.wikipedia.org/wiki/Pattern_matching, diakses pada November 28, 2013, 18.58)

dikatakan bahwa dalam ilmu komputer, pencocokan pola (pattern-matching atau string-

matching) adalah kegiatan pemeriksaan serangkaian token yang diberikan untuk

menemukan beberapa pola yang konstituen dalam string. Berbeda dengan pengenalan

pola, kecocokan dalam pattern matching harus tepat.

Sebagai contoh adalah fasilitas search pada editor teks. Misalnya akan dicari pola

hai maka akan ditemukan pada kata kata aduhai, Thailand, wahai dan lain lain.

2.3 Bigram

Dalam kamus Oxford bigramadalah kata benda sebagai istilah di bidang linguistik

yang memiliki arti sepasang unit yang tertulis berurutan, berupa huruf, suku kata, atau


6/20

3

kata. Berikut ini adalah contoh bigramyang merupakan pasangan 2 huruf dari sebuah

string.

string: minnion

bigram: {mi, in, nn, ni, io, on}

2.4 Sentence Similarity Measurement (SSM)

SSM adalah perhitungan tingkat kemiripan antara dua kalimat atau string. Skor

yang dihasilkan dari perhitungan similarityadalah berupa bilangan real 0 sampai 1.

Dalam kaitannya dengan penggunaan bigramdapat dibuat sebuah rumus sederhana

untuk menghitungnya. (Dewi, 2014)

Berikut ini adalah rumus yang digunakan.

()()

()() .......(1)

Penjelasan dari rumus (1) di atas adalah sebagai berikut :

1. b1adalah himpunan bigramyang dihasilkan dari string pertama dan b2adalah

himpunan bigram yang dihasilkan dari string kedua.

2. ( )adalah operasi himpunan untuk jumlah setiap bigramdi b1 yang

merupakan anggota bigram di b2. Demikian sebaliknya untuk ( ).

3. ()adalah jumlah bigramyang ada di b1. Demikian sebaliknya untuk

().

Berikut ini adalah contoh penggunaan rumus (1) di atas :

string1: mutiara

string2: mutiarra

b1 = {mu, ut, ti, ia ar, ra}

b2 = {mu, ut, ti, ia, ar, rr, ra}

= {mu,ut,ti,ia, ar, ra}

= {mu,ut,ti, ia, ar, ra}

Maka diperoleh nilai similarityuntuk string1 dan string2:

2.5 Structured Query Language (SQL)

Structured Query Language(SQL) adalah salah satu bahasa generasi ke-4 yang

awalnya dikembangkan oleh IBM di San Jose Research Laboratory. Berbeda dengan

bahasa pemrograman level ke-3 SQL adalah bahasa yang bersifat request oriented dan


7/20

4

bersifat non-prosedural sehingga lebih mudah untuk dipelajari karena sintaksis yang

digunakan hampir menyerupai bahasa yang digunakan oleh manusia untuk

berkomunikasi. Oleh karena itu, SQL lebih fleksibel dalam penggunaannya. Selain itu,

SQL juga bersifat non case sensitive. Banyak vendor pembuat DBMS Database

Management System) yang saat ini menggunakan SQL sebagai standarisasi dalam

produk mereka, seperti ORACLE, Microsoft SQL Server, PostGreSQL, dan MySQL.

(Arief, 2006)

3. Perancangan

3.1 Gambaran Umum

Penelitian ini menggunakan skor sentence-similarity measurement untuk

mendapatkan tingkat kemiripan antara input dengan pattern yang semua prosesnya

terpusat di RDBMS.

Sebelum masuk proses perancangan perlu diketahui terlebih dahulu gambaran

umum arsitektur chatbot dalam penelitian ini secara menyeluruh. Skema chatbot dapat

dilihat pada Gambar 1 di bawah ini.

Gambar 1Gambaran umum chatbot

Gambar 3.2 menjelaskan bahwa chatbot terdiri dari core dan interface yang

mengakses core tersebut. Core berada di RDBMS berupa database yang di dalamnya

berisi tabel tabel untuk menyimpan pengetahuan dan interpreter dalam bentuk stored

programyang berisi sekumpulan fungsi dan prosedur untuk keperluan pattern-matching.

Interface dapat berupa aplikasi standalone yang dapat langsung digunakan oleh user

untuk obrolan, atau service yang membutuhkan aplikasi client tambahan untuk

melakukan percakapan dengan user. Aplikasi pada sisi interface dapat dikembangkan

sesuai kebutuhan dan dapat ditulis menggunakan bahasa pemrograman apapun.

chatbot

Core: RDBMS

stored programs

interpreter

tables

table

interface

standalone

service

others..

client

user

user

user


8/20

5

3.2 Analisis dan Rancangan

3.2.1 Identifikasi Masalah

Fokus penelitian adalah pada pengembangan core chatbot yang berada pada

sisi RDBMS yang meliputi penyimpanan pengetahuan dan proses pattern-matching.

Gambaran umum skema core chatbot berkaitan dengan proses percakapan terlihat

dalam Gambar 2 berikut ini.

Gambar 2 Skema Core

Berdasar Gambar 2 di atas core chatbot terdiri dari beberapa komponen yaitu:

1. tables, berupa tabel tabel utama sesuai skema dan tabel tabel pendukung

yang tidak tergambar dalam skema:a. spellcheck, menyimpan daftar kata salah eja yang mungkin menjadi input

userbeserta pembetulannya.

b. keyword,menyimpan daftar kata kunci yang mungkin ditemukan dalam

input user. Kata kunci digunakan untuk mempersempit jangkauan

pencarianpattern.

c. pattern, menyimpan pasangan pattern-template sebagai pengetahuan

utama. Setiap satu pattern dapat berpasangan dengan satu atau lebih

template demikian sebaliknya setiap satu template dapat berpasangan

dengan satu atau lebih patternsehingga nantinya akan dipecah menjadi

tiga table yaitu;

i. pattern untuk menyimpan pattern yang berisi patternid dan

pattern

ii. template untuk menyimpan template yang berisi templateid dan

template

iii. pattern-template sebagai table yang menghubungkan dua tabel

di atas.


9/20

6

d. convlog, menyimpan history percakapan yang memuat sessionid, waktu,

input user, dan respon yang diberikan kepada user.

e. session, menyimpan atribut atribut sebuah sesi percakapan meliputi

sessionid, nama user, dan atribut yang lain.

f. array, tabel temporer di luar tabel tabel utama, digunakan sebagai

representasi struktur data array. Tabel ini hanya pendukung untuk

keperluan operasi internal fungsi fungsi yang membutuhkan operasi

array.

g. tid, tabel pendukung untuk proses id generator bagi tabel tabel lain

yang membutuhkan. Berisi id sebagai nama id, counter sebagai

pencacah id, dan rtable sebagai referensi nama tabel yang

menggunakan.

2. stored programs, berupa stored procedure dan stored function untuk keperluan

pattern-matchingterdiri dari:

a. normalizer, berupa fungsi untuk menormalkan input user yaitu

membetulkan ejaan, menghilangkan tanda baca, dan mengubah ke

lower case.

b. matcher, sebagai fungsi utama dalam pattern-matching untuk mencari

template yang sesuai berdasar skor sentence-similarity measurement

antara input dengan pattern. Sebelum proses pattern-matching

dilakukan, terlebih dahulu dilakukan pengambilan kewordterhadap input

sehingga hanyapatternpatterndengan keywordyang sama saja yang

akan dicocokkan.

c. logger, prosedur yang bertugas menyimpan history percakapan yang

berupa input user dan respon yang diberikan.

d. array, berupa sekumpulan fungsi dan prosedur untuk tabel array yang

digunakan untuk operasi internal 3 proses utama yang sudah dijelaskan

sebelumnya. Fungsi dan prosedur array meliputi:

i. array_intersect(), prosedur untuk operasi interseksi 2 array

ii. array_push(),proseduruntuk operasipush elemen ke array

iii. array_pop(), fungsiuntuk operasipopelemen dari array

iv. array_count(), fungsi untuk menghitung jumlah elemen dalam

array

v. array_clear(), prosedur untuk membersihkan isi array

vi. bigram, prosedur untuk menyusun bigram dari suatu string.


10/20

7

3.3 Rancangan

3.1.1.1 Tabel

Berdasar identifikasi masalah yang sudah dijelaskan pada sub bab sebelumnya

diperoleh beberapa tabel untuk proses normalisasi input dan pattern-matching beserta

tabeltabel pendukung lainnya.

1. Tabel spellcheck, digunakan untuk menyimpan daftar kata salah beserta

pembenarannya.

2. Tabel keyword, menyimpan daftar kata kunci yang mungkin ditemukan pada

input user.

3. Tabelpattern, menyimpanpattern.

4. Tabel template menyimpan template.

5. Tabelpattern_template, sebagai penghubung antara tabelpattern dan template.

6. Tabel convlog, menyimpan history percakapan.

7. Tabel session, menyimpan atributatribut sesi percakapan

8. Tabel array, sebagai representasi struktur data array.

9. Tabel tid, penyimpan pencacah id generator.

Relasi antar tabel yang sudah dideskripsikan di atas digambarkan dalam diagram

ER seperti pada Gambar 3 berikut ini.

Gambar 3Diagram ER


11/20

8

Gambar 3 di atas menunjukkan bahwa tabel tabel pattern, template,

pattern_template, spellcheck, keywords, session, dan convlog masuk dalam kelompok

tabel utama. Sedangkan sisanya adalah masuk dalam kelompok tabel pendukung.

Diagram ER tersebut dibuat menggunakan MySQL Workbench 6 yang dapat

langsung diimplementasikan ke bentuk tabel melalui forward engineering.

3.1.1.2 Stored Program

3.1.1.2.1 Normalizer

Normalizerdigunakan untuk menormalkan input sebelum diproses oleh matcher.

Proses ini diimplementasikan dalam fungsi normalize(), di dalamnya terdapat 3 sub

proses yaitu:.1. Mark removal, yaitu penghilangan tanda baca berupa titik (.), koma (,), tanda

tanya (?), tanda seru (!), colon (:), dan semicolon (;). Berikut ini adalah

pseudocode mark removal yang diimplementasikan dalam fungsi remmark().

1. FUNCremmark(input: STRING): STRING2. BEGIN

3. REPLACE ? IN input WITH 4. REPLACE ! IN input WITH 5. REPLACE ; IN input WITH 6. REPLACE : IN input WITH 7. REPLACE . IN input WITH 8. REPLACE , IN input WITH

9. remmark input10. END

2. Extraspace removal, yaitu penghilangan spasi yang berlebihan (extraspace).

Extraspace(termasuk tab) akan digantikan dengan spasi tunggal. Bila ada spasi

di awal atau akhir input maka akan dihilangkan. Berikut ini adalah pseudocode

extra spaces removal yang diimplementasikan dalam fungsi remxspaces().

1. FUNCremxspace(input: STRING): STRING2. BEGIN

3. rstr TRIMinput4. REPEAT

5. c rstr REGEXP{\s\s+}6. IFc = TRUETHEN

7. rstr REPLACE{\s\s} INrstrWITH{\s}8. END IF9. UNTIL c = FALSE

10. remxspace rstr11.END

3. Spell correction, yaitu membetulkan kata yang salah tulis dan menggantikannya

dengan kata yang benar. Berikut ini adalah pseudocode spell correction yang

diimplementasikan dalam fungsi spellcorrection().


12/20

9

1. FUNCspellcorrection(input: STRING): STRING2. BEGIN

3. cstr input

4. RS SELECT missspelling, correction FROM spellcheck5. WHILE NOT EOF(RS) DO6. IF(cstrREGEX RS.missspelling) = TRUETHEN7. REPLACE RS.missspelling INcstrWITHRS.correction8. END IF9. END WHILE

10. spellcorrection cstr11.END

3.2.2.2.2 Matcher

Matcher adalah fungsi utama dalam pattern-matching. Proses pencarian

menggunakan perhitungan skor tertinggi sentence-similarity measurement antara inputdan pattern yang ada. Berikut ini adalah pseudocode matcher yang diimplementasikan

dalam fungsi gettemplate().

1. FUNC gettemplate(input: STRING): STRING2. BEGIN

3. kw getkeyword(input)

4. RS SELECTpattern_id, pattern5. FROMpatternWHEREpattern REGEXPkw

6. idmax

7. simmax 08. WHILE NOT EOF(RS) DO

9. sim similar(input, RS.pattern)

10. IFsim > simmax THEN11. simmax sim

12. idmax RS.pattern_id13. END IF14. END WHILE

15. templ SELECTt.template16. FROMtemplate t, pattern_template pt16. WHEREpt.template_id = t.tempate_idAND17. pt.pattern_id = idmax18.

19. gettemplate templ20. END

Berdasar pseudocode di atas terdapat pemanggilan fungsi similar() untuk

menghitung skor SSM dalam fungsi gettemplate(). Rumus perhitungan skor SSM

menggunakan bigram telah dijelaskan pada bahasan sebelumnya. Berikut ini adalah

pseudocode perhitungan skor SSM yang diimplementasikan dalam fungsi similar().

1. FUNCsimilar(str1: STRING, str2: STRING): FLOAT

2. BEGIN

3. bigram(str1, b1)

4. bigram(str2, b2)

5. array_intersect(b1, b2, b12)

6. array_intersect(b2, b1, b21)

7. c1 array_count(b1)



13/20

10



11. similar (c12+c21)/(c1+c2)12. END

3.2.2.2.3 Logger

Logger digunakan untuk proses menyimpan history sesi percakapan tiap user.

History percakapan tersimpan dalam tabel log. Proses ini diimplementasikan dalam

prosedur writelog(). Berikut ini adalahpseudocode untuk writelog().

1. PROCwritelog(sessid: STRING, input: STRING, resp:STRING)2. BEGIN

3. INSERT INTOlog(session_id, timestamp, input, response)4. VAlUES(sessid, NOW(), input, resp)5. END

3.2.2.2.4 Controller

Controller adalah penghubung antara core dengan aplikasi pada sisi interface. Di

sini terdapat pemanggilan normalizer, matcher, dan loggersecara berurutan. Berikut ini

adalahpseudocode contoroller yang diimplementasikan dalam fungsi getresponse().

1. FUNCgetresponse(input: STRING, sessid:STRING): STRING2. BEGIN

3. input normalize(input)

4. templ gettemplate(input)5. writelog(sessid, input, templ)

6. getresponse templ7. END

Fungsi getresponse() seperti digambarkan dalam pseudocode di atas akan

dipanggil oleh aplikasi untuk mengirim input dari userdan menerima respon dari core.

4. Pembahasan

4.1 Implementasi

Seluruh rancangan yang berupa tabel tabel dan stored program akan

diimplementasikan dalam RDBMS MySQL versi 5 dengan nama database t iara.

Pembuatan diagram ER untuk perancangan pada bab sebelumnya sampai implementasi

ke dalam database menggunakan tool MySQL Workbench 6. Tampilan MySQL

Workbench 6.

4.1.1 Tabel

Pembuatan table dapat langsung dilakukan dari diagram ER yang sudah dibuat

sebelumnya menggunakan teknik forward engineering. Teknik ini akan men-generate

diagram ER menjadi scriptDDL yang nantinya dapat dieksekusi untuk pembuatan tabel.

Sebelum melakukan forward engineering diagram ER yang sudah dibuat harus dibuka


14/20

11

terlebih dahulu. Gambar 4 berikut ini adalah tabel tabel yang terbentuk dari proses

forward engineering.

Gambar 4 Tabeltabel Hasil Forward Engineering

Berdasar Gambar 4 di atas terbentuk 10 tabel sebagai representasi pengetahuan

core chatbotbeserta pendukungnya.

4.1.2 Stored Program

Tahap ini adalah proses penulisan kode stored procedure dan stored function

untuk prosespattern-matchingdan pendukungnya sesuai dengan rancangan yang sudah

dibuat sebelumnya. Gambar 5 berikut ini menunjukkan keseluruah stored program yang

sudah tersimpan dalam database.

Gambar 5Stored Programs


15/20

12

Gambar 5 di atas menunjukkan stored program terdiri dari beberapa function dan

stored procedure yang digunakan dalam prosespattern-matching dan pendukungnya.

4.2 Pengujian

4.2.1 Normalizer

Berikut ini adalah hasil pengujian beberapa stored program dalam normalizer.

Tabel 1Hasil Pengujian Fungsi remmarks()

No Input Hasil

1 Halo, apa kabar Halo apa kabar

2 Sekarang hari apa? Sekarang hari apa

3 Sekarang hari Minggu. Sekarang hari Minggu

4 Senin; Selasa; Rabu Senin Selasa Rabu

5 Tanda Seru!! Tanda Seru6 Next: continue Next continue

7 Under_score Under_score

8 Stripped-line Stripped-line

Tabel 1 di atas menunjukkan bahwa pengujian nomor 7 dan 8 menghasilkan

string yang sama dengan input karena dalam fungsi remmarks() tanda underscore (_)

dan minus (-) tidak dimasukkkan dalam daftar tanda yang dihilangkan.

Tabel 2Hasil Pengujian Fungsi remxspaces()

No Input Hasil

1 Halo, apa kabar Halo,apa kabar2 Halo Halo

Berdasar Tabel 2 di atas fungsi remxspaces()sudah dapat menghilangkan tanda

spasi yang lebih dari satu termasuk tabseperti ditunjukkan pada pengujian nomor 1.

Tabel 3Hasil Pengujian Fungsi spellcorrection()

No Input Hasil

1 Halo pa kbr Halo apa kabar

2 Km sdh tau blum Kamu sudah tahu belum

3 Brp jml bintang di langit Berapa jml bintang di langit

4 Aq ga tau Aku ga tahu

Berdasar Tabel 3 di atas pengujian nomor 3 fungsi spellcorrection() tidak dapat

membetulkan ejaan jml menjadi jumlah karena kata jml dan pembetulannya jumlah

belum tersimpan dalam tabel missspelling.

Tabel 4Hasil Pengujian Fungsi normalize()

No Input Hasil

1 Hai. pa kbr? Hai apa kabar

2 Hitung! Brapa: 2+3 Hitung Berapa 2+3

3 Jarak jauh sekali Jarak jauh sekali


16/20

13

Berdasar Tabel 4 di atas hasil pengujian identik dengan pengujian pengujian 3 fungsi

sebelumnya.

4.2.2 Matcher

Berikut ini adalah hasil pengujian beberapa stored program dalam matcher.

Tabel 5Hasil Pengujian Fungsi getkeyword()

No Input Hasil

1 Apa kabar kamu [[::]]

2 Sekarang hari apa [[::]]

3 Benarkah 1+1=2 .

4 Di mana ibukota Indonesia .

Berdasar Tabel 5 di atas pengujian nomor 1 dan 2 menghasilkan pola regular

expression. Sedangkan percobaan 3 menghasilkan titik (.) karena dalam string input tidak

ditemukan keywords. Percobaan 4 juga menghasilkan titik (.) walaupun keywords di

mana tersimpan dalam tabel keywords tetapi ketika dicocokkan ulang dengan pattern

pada tabelpatterntidak ditemukanpatternyang mengandung kata di mana.

Tabel 6Hasil Pengujian Fungsi similar()

NoInput

Skor1 2

1 siapa namamu siapa namamu 1

2 siapa namamu namamu siapa 0,818183 siapa namamu siapa nama kamu 0,92000

4 siapa namamu siapa sih namamu 0,88461

5 siapa namamu siapa nama anda 0,80000

6 siapa namamu test 0

Tabel 6 menunjukkan input 1 berupa string yang sama sedangkan input 2 adalah

variasinya. Percobaan 1 menghasilkan skor 1 karena input 1 dan 2 sama persis.

Percobaan 6 menghasilkan skor 0 karena kedua input berbeda sama sekali.

Tabel 7Hasil Pengujian Fungsi gettemplate()

No Input Hasil

1 Apa kabar? Kabar baik

2 Apa kabar? Baik

3 Apa kabar? Alhamdulillah kabar baik

4 Apa kabar? Baik

5 Sekarang hari apa? Hari {day} sepertinya

6 Hari apa sih sekarang? Sekarang hari {day}

7 Di mana ibukota Indonesia? Namaku TIARA

8 Ibukota Indonesia di mana? Namaku TIARA

9 Hitung 4+5! Aku tidak bisa berhitung

10 Kamu pintar No komen

11 Kamu pintar Hmmm..

12 Kamu pintar Pasti


17/20

14

Berdasar Tabel 7 dapat dilihat bahwa pengujian 1 sampai 4 menghasilkan variasi

respon yang berbeda dari input yang sama. Input pengujian 5 dan 6 berbeda tetapi

mengandung arti yang sama dan menghasilkan respon dengan arti yang sama. String

{day} pada respon pengujian 5 dan 6 adalah variabel yang memiliki nilai hari sekarang.

Pengujian 7 dan 8 menghasilkan respon yang tidak sesuai karena belum ada pattern

bersesuaian yang tersimpan.

4.2.3 General

Pengujian general dilakukan terhadap fungsi getresponse()sebagai fungsi utama

yang digunakan dalam proses chat. Fungsi adalah jembatan antara core dengan user

interface yang ditulis dengan beragam bahasa pemrograman. Pengujian fungsi

getresponse().

Fungsi getresponse() memiliki 2 argumen yaitu identitas sesi percakapan dan

input percakapan. Tabel 8 berikut ini menunjukkan hasil pengujian fungsi getresponse().

Tabel 8Hasil Pengujian Fungsi getresponse()

No Id. Sesi Input Respon

1 XX123 Halo Halo juga

2 XX123 Apa kabar? Kabar baik

3 XX123 Masih ingat namaku? Tentu. Namamu Anonim kan?

4 XX123 Namaku Ayu O ya namamu Ayu

5 XX123 Betul Apanya?

6 XX123 Yang tadi Sudah lupa tuh

7 XX555 Masih ingat namaku kan? Tentu

8 XX555 Siapa coba namaku? Tentu. Kamu Anonim kan?

9 XX555 Namaku Dewi Ketemu lagi Dewi

10 XX555 Ah sudahlah.. Hmm..

11 XX555 Aku mau bertanya Silakan

12 XX555 Sekarang hari apa? Hari Senin sepertinya.

13 XX555 Ngobrol yang lain yuk No komen

14 XX555 Kenapa? Aku biasa dipanggil TIARA

15 XX555 Kenapa? Namaku TIARA

16 XX555 Sudah tau Ya

17 XX555 Bagaimana cuaca Jogja? Sepertinya hari ini Jogja hujan

18 XX555 TIARA cantik No komen..19 XX555 Assalamualaikum Waalaikum salam

20 XX555 Sampai ketemu lagi Waalaikum salam

Tabel 8 di atas menunjukkan simulasi percakapan antara userdengan chatbot.

Tiap user diidentifikasi dengan id sesi. Berikut ini adalah keterangan untuk hasil

pengujian tersebut.

1. Pengujian nomor 3 menghasilkan respon Tentu. Namamu Anonim kan?. Secara

default userdengan id sesi yang belum pernah terdaftar memiliki nama Anonim.


18/20

15

2. Pengujian nomor 4 dengan input Namaku Ayu akan membuat chatbot

mengganti nama userdengan Ayu untuk id sesi XXX123.

3. Pengujian nomor 8 id sesi berubah XXX555 sehingga ketika diberikan input

yang sama dengan pengujian nomor 3 akan merespon Tentu. Namamu Anonim

kan?.

4. Pengujian nomor 12 menunjukkan bahwa chatbotdapat menyebutkan nama hari

sekarang.

5. Pengujian nomor 14 dan 15 menunjukkan bahwa chatbot kurang tepat dalam

memberikan respon dikarenakan input Kenapa tidak ada dalam pattern, tetapi

matcher tetap memilih satu pattern dengan skor tertinggi nilai similarity-nya

terhadap input Kenapa sehingga templatetemplate yang bersesuaianlah yang

menjadi respon.

6. Pengujian nomor 17 menunjukkan bahwa chatbot dapat menunjukkan cuaca

sekarang. Data cuaca dalam pattern untuk keperluan pengujian sementara

bersifat statis dan bernilai hujan.

7. Pengujian nomor 20 sama seperti keterangan pada nomor 5 di atas.

4.3 Pemanfaatan

Semua tabel dan stored programyang sudah dirancang, diimplementasikan, dan

diuji pada bahasan sebelumnya terpaket dalam database t iara. Database ini adalah core

untuk aplikasi chatbot secara keseluruhan yang dapat ditulis menggunakan berbagai

macam bahasa pemrograman.

Sebelum aplikasi dibuat terlebih dahulu harus sudah terinstal MySQL Server

beserta driverdalam lingkungan pengembangan dan dipastikan sudah dilakukan proses

dumping untuk database t iara.Berikut ini adalah pembahasan tentang pemanfaatan core

chatbotpada bahasa Pascal, PHP, dan Java.

5. Penutup

5.1 Kesimpulan

Berdasar pemaparan yang sudah dibahas pada bab bab sebelumnya dapat

ditarik beberapa kesimpulan sebagai berikut.

1. Perancangan dan pembuatan tabeltabel sebagai representasi pengetahuan di

databasemenggunakan MySQL Workbench 6 dimulai dari pembuatan diagram

ER yang menghasilkan 11 entitas beserta kardinalitasnya. Dari entitas entitas

tersebut dapat secara langsung dibuat tabel tabel menggunakan forward

engineering.


19/20

16

2. Pemanfaatan Structured Query Language untuk pattern-matching dilakukan

dengan pembuatan stored program. Stored program ini terdiri dari 4 stored

proceduredan 21 stored functionyang semuanya bertugas untuk prosespattern-

matchingdan proses pendukungnya.

3. Pengembangan aplikasi chatbotdalam berbagai bahasa pemrograman dilakukan

dengan cara membuat user interface untuk mengirim input dan menerima

respon. User interface mengakses satu stored function dalam core yaitu

getresponse() yang disediakan untuk keperluan pengiriman input dan

penerimaan respon.

5.2 Saran

Berikut ini adalah beberapa hal yang masih belum dikerjakan dalam penelitian ini

sehingga diharapkan dapat menjadi bahan untuk penelitian selanjutnya.

1. Kode SQL yang digunakan lebih portable sehingga memungkinkan core yang

dihasilkan dapat diimplementasikan dalam banyak RDBMS.

2. Ditambahkan beberapa stored program untuk keperluan manajemen

pengetahuan.

3. Penelitian ini memanfatkan nilai tertinggi perhitungan sentence-similarity

measurementuntuk pengambilan pola yang cocok seingga beberapa pengujian

menunjukkan masih belum valid. Untuk itu perlu diadakan penelitian lanjutan

untuk menentukan validitas nilai yang dihasilkan.


20/20

17

DAFTAR PUSTAKA

Arief, M. Rudyanto, MT. 2006. Pemrograman Basis Data Menggunakan Transact-SQL

dengan Microsoft SQL Server 2000. Yogyakarta: Penerbit Andi

Desiani, Anita, dkk., 2006. Konsep Kecerdasan Buatan. Yogyakarta: Penerbit Andi

Dewi, Ayu Mutiara Oktavia, Pemanfaatan Sentence-Similarity Measurement untuk

Proses Pencocokan Pola Pada Chatbot Berbasis Pattern-Matching, Buku 1

Prosiding Seminar Nasional Teknologi Informasi dan Multimedia 2014

(Semnasteknomedia 2014), 8 Februari 2014

Raharjo, Budi. 2011. Belajar Otodidak Membuat Database Menggunakan MySQL.

Bandung: Informatika

Setiaji, Bayu, M.Kom. Membangun Chatbot Berbasis AIML dengan Arsitektur

Pengetahuan Modular, Prosiding Seminar Nasional Teknologi Informasi dan

Multimedia 2013 (Semnasteknomedia 2013), 19 Januari 2013

Sutojo, T, S.Si, M.Kom, dkk. 2011. Kecerdasan Buatan. Yogyakarta: Penerbit Andi

Utami, Ema, Dr., S.Si, M.Kom, Aplikasi BotQA Untuk Meningkatkan Cara Interaksi

Manusia dan Mesin, Seminar Nasional Aplikasi Teknologi Informasi 2007 (SNATI

2007), 16 Juni 2007

Documents

Naskah publikasi amikom chatbot