No abstract

Informasi mengenai Akademik adalah bagian sangat penting dalam kehidupan sehari-hari, dimana informasi Akademik tersebut diperoleh salah satunya dengan kosultasi langsung dengan customer service. Berdasarkan wawancara yang dilakukan terhadap beberapa mahasiswa. mahasiswa memperoleh informasi Akademik dengan cara berkunjung ke kampus dan bertanya langsung terhadap customer service.Penyampaian informasi Akademik tersebut dirasa kurang karena keterbatasan oleh waktu jam buka kampus, sedangkan banyak mahasiswa sangat membutuhkan informasi Akademik dan konsultasi Akademik dengan cepet dan tidak mau terikat oleh waktu buka kampus, bahkan mahasiswa mengalami masalah Akademik disaat kampus sudah tutup, dan membutuhkan konsultasi customer service. Dengan permasalahan tersebut maka banyak mahasiswa yang salah terima dalam mencerna informasi dari akademik. Untuk menyampaikan informasi Akademik yang tidak terikat oleh waktu buka kampus, Universitas AMIKOM Yogyakarta memerlukan suatu alat media layanan informasi Akademik yang dapat merespon setiap pertanyaan mahasiswa tanpa ada keterbatasan waktu dan jumlah customer service. Pada penelitian ini solusi yang diusulkan untuk masalah tersebut salah satunya dengan cara membangun sebuah aplikasi chatbot informasi Akademik (customer service virtual) dengan pendekatan Natural Language Processing dengan menggunakan medote Fuzzy String Matching sebagai media penalarannya. Teknologi chatbot merupakan salah satu bentuk aplikasi Natural Language Processing, NLP itu sendiri merupakan salah satu bidang ilmu Kecerdasan Buatan ( Artificial Intelligence ) yang mempelajari komunikasi antara manusia dengan komputer melalui bahasa alami.

No abstract

No abstract

In this day and age, the use of social media is familiar to some circles. The existence of social media can be analyzed for certain interests. This analysis can also be carried out for the benefit of knowing the opinions or sentiments that contain it. Therefore, a sentiment analysis is needed to get a classification of existing opinions. The use of sentiment analysis cannot be separated from the document or text representation stage. This usually takes the form of the bag of word (BOW). However, BOW has a weakness, namely it produces a lot of features so that the classification accuracy results are less than optimal. Therefore we need the Word Embedding method to represent documents in vector form. The use of this method results in fewer features so that data training time can be shorter. Apart from that, the syntax and semantics of the words that compose the tweet are also considered. So, Word Embedding produces meaningful vectors.