PENGEMBANGAN CHATBOT BERBASIS ARTIFICIAL INTELLIGENCE UNTUK LAYANAN PELANGGAN WEBSIPP DENGAN PENDEKATAN RAG DAN MODEL ADDIE

PENGEMBANGAN CHATBOT BERBASIS ARTIFICIAL INTELLIGENCE UNTUK LAYANAN PELANGGAN WEBSIPP DENGAN PENDEKATAN RAG DAN MODEL ADDIE

Muhammad Farid Junaidi, Ahmad Faiz Zakaria

Sistem Informasi, STMIK Tazkia

Email: 251572010004faizzakaria@student.stmik.tazkia.ac.id

Abstrak

Transformasi digital menuntut efisiensi tinggi dalam layanan pelanggan, terutama pada sektor jasa pembuatan website seperti WebSipp. Masalah utama yang dihadapi adalah keterbatasan waktu respons terhadap pertanyaan repetitif terkait biaya, layanan, dan informasi teknis. Penelitian ini bertujuan untuk mengembangkan sistem chatbot berbasis Artificial Intelligence (AI) guna mengotomatisasi layanan informasi pelanggan. Metode yang digunakan adalah Research and Development (R&D) dengan model pengembangan ADDIE (Analysis, Design, Development, Implementation, Evaluation). Sistem dibangun menggunakan platform Botpress dengan mengintegrasikan Large Language Model (LLM) melalui teknik Retrieval-Augmented Generation (RAG). Hasil penelitian menunjukkan bahwa chatbot berhasil dikembangkan dan mampu merespons sebagian besar pertanyaan pelanggan secara kontekstual berdasarkan pengujian fungsional terhadap 8 variasi query yang mewakili berbagai kategori layanan. Simpulan dari penelitian ini adalah implementasi chatbot AI dapat meningkatkan skalabilitas layanan pelanggan dan efisiensi operasional pada bisnis jasa digital.

Kata kunci: Chatbot, Retrieval-Augmented Generation, Layanan Pelanggan, Model ADDIE, Artificial Intelligence.

1. Pendahuluan

Latar Belakang Masalah

Di era digital saat ini, kecepatan dan kualitas respons menjadi parameter utama kepuasan pelanggan. Pada bisnis jasa teknologi seperti WebSipp yang bergerak di bidang pembuatan website, pelanggan sering menanyakan informasi teknis yang bersifat repetitif, seperti rincian harga paket layanan, biaya revisi dan maintenance, informasi tim teknis, serta prosedur pemesanan. Pengelolaan pertanyaan secara manual memakan waktu signifikan dan berisiko pada penurunan kualitas layanan, terutama di luar jam operasional atau saat volume pertanyaan tinggi.

Urgensi dan Kebaruan Penelitian

Penggunaan chatbot konvensional berbasis aturan (rule-based) seringkali gagal memahami variasi bahasa natural dan konteks percakapan yang kompleks. Kebaruan dalam penelitian ini terletak pada penerapan teknologi AI Generatif yang dipadukan dengan basis pengetahuan (knowledge base) internal perusahaan melalui metode Retrieval-Augmented Generation (RAG). Pendekatan RAG memungkinkan sistem memberikan jawaban yang natural dan akurat tanpa memerlukan fine-tuning model yang membutuhkan sumber daya komputasi besar. Sistem dirancang untuk membatasi ruang lingkup jawaban hanya pada informasi yang telah dikurasi dalam knowledge base WebSipp, sehingga meminimalkan risiko "halusinasi" atau informasi tidak akurat yang sering terjadi pada LLM tanpa pembatasan konteks.

Rumusan Masalah dan Tujuan Penelitian

Berdasarkan latar belakang di atas, rumusan masalah penelitian ini adalah: Bagaimana merancang dan mengembangkan sistem chatbot berbasis AI yang efektif untuk layanan pelanggan WebSipp? Tujuan penelitian ini adalah merancang, mengembangkan, dan mengimplementasikan chatbot AI sebagai asisten layanan pelanggan otomatis pada WebSipp menggunakan pendekatan RAG dan model pengembangan ADDIE.

Manfaat Penelitian

Secara praktis, penelitian ini bermanfaat untuk meningkatkan efisiensi operasional layanan pelanggan WebSipp melalui otomatisasi respons terhadap pertanyaan umum, sehingga tim dapat fokus menangani kasus yang lebih kompleks. Secara teoretis, penelitian ini memperkaya literatur mengenai penerapan kecerdasan buatan dan teknik RAG dalam konteks bisnis jasa digital skala menengah di Indonesia.

2. Metode Penelitian

Jenis dan Pendekatan Penelitian

Penelitian ini merupakan penelitian pengembangan (Research and Development/R&D) dengan pendekatan kualitatif-deskriptif untuk mengamati proses dan hasil pengembangan sistem. Model pengembangan yang digunakan adalah ADDIE yang terdiri dari lima tahap sistematis.

Objek Penelitian

Objek penelitian ini adalah sistem layanan pelanggan pada unit bisnis WebSipp, khususnya aspek komunikasi dan penyampaian informasi teknis kepada calon pelanggan dan pelanggan aktif.

Tahapan Pengembangan dengan Model ADDIE

1. Analysis (Analisis)

Mengidentifikasi kebutuhan layanan pelanggan WebSipp melalui observasi riwayat percakapan

Menganalisis pertanyaan yang paling sering ditanyakan (FAQ) meliputi: informasi harga paket layanan, biaya revisi dan maintenance, informasi tim teknis, dan prosedur pemesanan

Mengidentifikasi keterbatasan sistem manual: waktu respons lambat, inkonsistensi informasi, dan keterbatasan ketersediaan di luar jam kerja

2. Design (Perancangan)

Merancang arsitektur sistem chatbot menggunakan pendekatan RAG yang terdiri dari komponen: User Interface, Botpress Engine, Retrieval System, LLM Processor, dan Knowledge Base

Menyusun knowledge base dalam format dokumen terstruktur berisi informasi lengkap layanan WebSipp

Mendesain alur percakapan (conversation flow): greeting → identifikasi kebutuhan → penyampaian informasi → follow-up → closing

Merancang system prompt yang mendefinisikan personality chatbot dan batasan scope jawaban

3. Development (Pengembangan)

Implementasi chatbot menggunakan platform Botpress versi 12 sebagai engine orchestration

Integrasi Large Language Model melalui API (OpenAI GPT-4o atau alternatif open-source seperti Llama 3.2 berdasarkan pertimbangan budget dan kebutuhan)

Konfigurasi knowledge base dengan mengunggah dokumen internal WebSipp dalam format PDF dan teks

Implementasi RAG pipeline: query embedding → similarity search → context retrieval → prompt augmentation → response generation

Pengaturan system prompt untuk memastikan chatbot konsisten merujuk pada informasi yang tersedia dalam knowledge base

4. Implementation (Implementasi)

Deployment chatbot pada environment development untuk testing internal

Konfigurasi channel komunikasi web-based sebagai tahap awal

Persiapan integrasi dengan platform WhatsApp Business API untuk tahap deployment produksi

5. Evaluation (Evaluasi)

Pengujian fungsional sistem untuk memastikan semua komponen bekerja sesuai desain

Evaluasi kualitas respons berdasarkan relevansi dengan knowledge base

Identifikasi area yang memerlukan perbaikan untuk pengembangan lanjutan

Teknik Pengumpulan Data

Data dikumpulkan melalui:

Observasi riwayat percakapan pelanggan dengan tim customer service WebSipp

Dokumentasi pertanyaan umum (FAQ) yang sering diajukan

Penyusunan knowledge base berdasarkan informasi resmi layanan WebSipp

Perangkat dan Teknologi yang Digunakan

Platform Chatbot: Botpress v12 (open-source conversational AI platform)

Large Language Model: GPT-4o dari OpenAI (atau alternatif open-source seperti Llama 3.2)

Teknik AI: Retrieval-Augmented Generation (RAG)

Knowledge Base Format: PDF dan plain text dokumen

Programming Language: JavaScript/TypeScript untuk kustomisasi Botpress

API Integration: OpenAI API atau Hugging Face Inference API

3. Hasil Penelitian

Temuan Utama

Pengembangan chatbot WebSipp berhasil melalui kelima tahap ADDIE dan menghasilkan sistem fungsional dengan karakteristik sebagai berikut:

Fitur yang Berhasil Diimplementasikan:

Knowledge Base Integration

Sistem berhasil mengintegrasikan dokumen knowledge base berisi informasi lengkap layanan WebSipp

Knowledge base mencakup: daftar harga layanan, biaya revisi dan maintenance, informasi tim teknis, dan prosedur pemesanan

Natural Language Understanding

Chatbot menunjukkan kemampuan memahami variasi bahasa Indonesia dalam konteks pertanyaan layanan

Sistem dapat menangani pertanyaan dengan gaya bahasa formal maupun semi-formal

Contextual Response Generation

Implementasi RAG memungkinkan sistem memberikan jawaban yang kontekstual berdasarkan knowledge base

Sistem membatasi jawaban hanya pada informasi yang tersedia dalam knowledge base

Consistent Information Delivery

Chatbot konsisten menyampaikan informasi sesuai data resmi dalam knowledge base

Respons mengenai tim teknis dan harga layanan disampaikan secara akurat

Hasil Pengujian Fungsional

Dilakukan pengujian fungsional dengan 8 skenario pertanyaan yang mewakili berbagai kategori layanan. Hasil pengujian disajikan dalam tabel berikut:

Tabel 1. Hasil Pengujian Fungsional Chatbot WebSipp

Kategori Pengjian

Skenario Contoh

Hasil

Keterangan

Informasi Harga

"Berapa harga paket website bisnis?"

Berhasil

Menampilkan harga sesuai knowledge base

Informasi Harga

"Ada diskon nggak buat bulan ini?"

Gagal

KB belum memuat info promosi, chatbot mengarahkan ke CS

Informasi Tim

"Siapa admin yang bisa dihubungi?"

Berhasil

Menyebutkan nama tim teknis sesuai data KB

Variasi Bahasa

Bahasa"Biaya bikin web berapa?"

Berhasil

Memahami sinonim "bikin" = "pembuatan"

Variasi Bahasa

"Gimana cara pesannya, bang?"

Gagal Parsial

Memahami inti "cara pesan", tetapi merespons dengan bahasa formal

Scope Limitation

"Cuaca di Jakarta besok bagaimana?"

Berhasil

Menolak merespons dan mengarahkan ke topik layanan WebSipp

Proses Pemesanan

"Bagaimana cara order website?"

Berhasil

Menjelaskan prosedur lengkap sesuai KB

Informasi Teknis

"Apa saja fitur paket premium?"

Berhasil

Menampilkan daftar fitur secara lengkap

Dari 8 skenario pengujian yang dilakukan, sistem menunjukkan kemampuan merespons dengan baik pada sebagian besar kategori pertanyaan, dengan beberapa area yang masih memerlukan optimasi lebih lanjut.

Arsitektur Sistem yang Dikembangkan

Sistem chatbot WebSipp terdiri dari komponen-komponen berikut:

User Interface (Web Chat Widget)

Botpress Conversation Engine

RAG Retrieval System

LLM Processor (GPT-4o/Llama 3.2)

Knowledge Base (dokumen internal WebSipp)

Alur kerja sistem: User mengirim query → Botpress menerima input → RAG melakukan retrieval dokumen relevan dari knowledge base → Context dan query dikirim ke LLM → LLM generate respons berdasarkan context → Respons dikembalikan ke user.

5. Pembahasan

Interpretasi Hasil Penelitian

Keberhasilan implementasi chatbot WebSipp menunjukkan bahwa pendekatan RAG efektif dalam mengembangkan sistem AI yang dapat memberikan informasi akurat dan terpercaya. Dengan membatasi ruang lingkup jawaban pada knowledge base internal, sistem dapat meminimalkan risiko "halusinasi" atau pemberian informasi yang tidak akurat, yang merupakan tantangan umum dalam penerapan Large Language Model untuk kebutuhan bisnis.

Hasil pengujian fungsional menunjukkan bahwa sistem berhasil menangani berbagai kategori pertanyaan dengan tingkat keberhasilan yang baik. Kasus kegagalan yang teridentifikasi, seperti pertanyaan tentang promosi yang belum tercakup dalam knowledge base dan penyesuaian tone bahasa pada konteks informal, memberikan insight penting untuk pengembangan iterasi selanjutnya.

Penggunaan model ADDIE dalam pengembangan terbukti membantu proses sistematis dari analisis kebutuhan hingga evaluasi sistem. Tahap Analysis memastikan sistem dikembangkan berdasarkan kebutuhan riil bisnis, sementara tahap Design dan Development memungkinkan implementasi teknis yang terstruktur.

Perbandingan dengan Penelitian Sebelumnya

Penelitian oleh Xu et al. (2017) menunjukkan bahwa chatbot berbasis aturan (rule-based) memiliki keterbatasan signifikan dalam memahami variasi bahasa natural dan tidak dapat menangani pertanyaan di luar pola yang telah didefinisikan. Pendekatan berbasis LLM seperti yang dikembangkan dalam penelitian ini menawarkan fleksibilitas jauh lebih tinggi dalam pemahaman konteks dan kemampuan memberikan respons yang natural.

Lewis et al. (2020) dalam penelitiannya tentang RAG membuktikan bahwa teknik ini efektif meningkatkan akurasi respons sistem AI pada domain spesifik dengan cara menggabungkan kemampuan generatif LLM dengan retrieval informasi faktual dari knowledge base. Temuan penelitian WebSipp sejalan dengan hasil Lewis et al., di mana RAG berhasil menghadirkan keseimbangan antara fleksibilitas bahasa natural dan akurasi informasi domain-spesifik.

Dibandingkan dengan sistem layanan pelanggan manual, chatbot AI memiliki keunggulan dalam hal konsistensi informasi, ketersediaan 24/7, dan kemampuan menangani multiple queries secara bersamaan. Namun, sistem manual tetap unggul dalam menangani kasus kompleks yang memerlukan pertimbangan kontekstual mendalam atau negosiasi.

Implikasi Hasil Penelitian

Implikasi Praktis:

Sistem chatbot dapat mengurangi beban kerja tim customer service dalam menjawab pertanyaan repetitif, sehingga tim dapat fokus pada penanganan kasus kompleks dan peningkatan kualitas layanan

Ketersediaan informasi 24/7 meningkatkan aksesibilitas layanan bagi pelanggan di berbagai zona waktu

Konsistensi informasi terjaga karena seluruh respons berdasarkan knowledge base yang telah dikurasi

Implikasi Teoretis:

Penelitian ini memperkaya literatur tentang penerapan AI dalam konteks bisnis jasa digital skala menengah di Indonesia, khususnya dalam aspek implementasi teknis RAG dan model pengembangan sistematis menggunakan ADDIE.

Keterbatasan Penelitian

Cakupan Knowledge Base: Knowledge base saat ini masih terbatas pada informasi dasar layanan WebSipp dan belum mencakup kasus-kasus edge case atau pertanyaan kompleks yang memerlukan analisis mendalam

Integrasi Sistem: Sistem belum terintegrasi penuh dengan platform pembayaran atau sistem order management, sehingga proses transaksi masih memerlukan intervensi manual

Pengujian Skala Besar: Belum dilakukan pengujian dengan volume traffic tinggi untuk mengevaluasi performa sistem dalam kondisi beban penuh

Evaluasi Kepuasan Pelanggan: Belum dilakukan survei kepuasan pelanggan secara komprehensif untuk mengukur dampak implementasi chatbot terhadap pengalaman pelanggan secara keseluruhan

5. Kesimpulan dan Saran

Kesimpulan

Penelitian ini berhasil mengembangkan sistem chatbot berbasis Artificial Intelligence untuk layanan pelanggan WebSipp menggunakan pendekatan Retrieval-Augmented Generation (RAG) dan model pengembangan ADDIE. Sistem yang dikembangkan mampu memberikan respons informasi layanan secara kontekstual dan akurat berdasarkan knowledge base internal perusahaan. Pengujian fungsional terhadap 8 skenario menunjukkan sistem dapat menangani berbagai kategori pertanyaan dengan baik. Implementasi RAG terbukti efektif dalam menyeimbangkan fleksibilitas pemahaman bahasa natural dengan akurasi informasi domain-spesifik. Model ADDIE memfasilitasi proses pengembangan yang sistematis dari tahap analisis kebutuhan hingga evaluasi sistem. Penelitian ini menunjukkan bahwa teknologi AI dapat diimplementasikan secara efektif pada bisnis jasa digital skala menengah untuk meningkatkan efisiensi operasional dan skalabilitas layanan pelanggan.

Saran

Berdasarkan hasil penelitian dan keterbatasan yang teridentifikasi, beberapa saran untuk penelitian dan pengembangan selanjutnya adalah:

Perluasan Knowledge Base: Memperkaya knowledge base dengan kasus-kasus spesifik, FAQ lanjutan, dan dokumentasi teknis yang lebih komprehensif untuk meningkatkan cakupan kemampuan chatbot

Integrasi Sistem: Mengintegrasikan chatbot dengan sistem pembayaran otomatis dan order management untuk menciptakan pengalaman pelanggan yang lebih seamless dari inquiry hingga transaksi

Evaluasi Kepuasan Pelanggan: Melakukan studi evaluasi kepuasan pelanggan secara sistematis untuk mengukur dampak implementasi chatbot terhadap pengalaman dan kepuasan pelanggan

Analisis Sentimen: Menambahkan fitur analisis sentimen untuk mendeteksi tingkat urgensi atau emosi pelanggan, sehingga sistem dapat melakukan escalation ke customer service manusia jika diperlukan

Multi-channel Deployment: Mengimplementasikan chatbot pada berbagai channel komunikasi (WhatsApp, Instagram, Telegram) untuk meningkatkan jangkauan dan aksesibilitas layanan

Performance Monitoring: Mengembangkan sistem monitoring dan analytics untuk mengukur metrik kinerja chatbot secara real-time dan mengidentifikasi area perbaikan berkelanjutan

Daftar Pustaka

Abdul-Kader, S. A., & Woods, J. (2015). Survey on chatbot design techniques in speech conversation systems. International Journal of Advanced Computer Science and Applications, 6(7), 72-80.

Branch, R. M. (2009). Instructional design: The ADDIE approach. Springer.

Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., ... & Kiela, D. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. Advances in Neural Information Processing Systems, 33, 9459-9474.

Touvron, H., Martin, L., Stone, K., Albert, P., Almahairi, A., Babaei, Y., ... & Scialom, T. (2023). Llama 2: Open foundation and fine-tuned chat models. arXiv preprint arXiv:2307.09288.

Xu, A., Liu, Z., Guo, Y., Sinha, V., & Akkiraju, R. (2017). A new 

chatbot for customer service on social media. Proceedings of the 2017 CHI Conference on Human Factors in Computing Systems, 3506-3510. https://doi.org/10.1145/3025453.3025496