Jurnal Sarjana Teknik Informatika Vol.
No.
Februari 2026, pp.
e-ISSN: 2809-3399, p-ISSN: 2338-5197 http://journal.
id/index.
php/JSTIF/index Implementasi Chatbot Berbasis Large Language Model dengan Retrieval-Augmented Generation untuk Pengetahuan Perusahaan Slamet Meisa Putra a,1,*.
Fitriasih b,2 Teknik Informatika.
Politeknik Purbaya Tegal.
Indonesia pakrt556@gmail.
2 pipit.
qolbu@gmail.
* Penulis Korespondensi
ABSTRAK
PT Java Abadi Gemilang merupakan perusahaan jasa teknologi informasi yang bekerja sama dengan HP Service Center.
Sistem saluran informasi internal yang digunakan masih bersifat manual, sehingga menyebabkan rendahnya efisiensi, keterlambatan penyampaian dan kesulitan pencarian informasi oleh karyawan.
Penelitian ini bertujuan mengatasi masalah tersebut dengan membuat sebuah sistem Chatbot berbasis Large Language Model dengan pendekatan Retrieval-Augmented Generation, yang memiliki kemampuan untuk memahami permintaan pengguna dan memberikan respons informasi secara cepat dan akurat.
Penelitian ini menggunakan pendekatan penelitian terapan dengan tahapan yang meliputi Studi literatur.
Pengumpulan dan Pra-pemrosesan data informasi internal perusahaan.
Merancang dan Implementasi Sistem Chatbot.
Pengujian sistem dan evaluasi.
Hasil penelitian menunjukkan bahwa Chatbot dapat memahami permintaan pengguna dan memberikan respons informasi secara cepat dan relevan berdasarkan dokumen internal.
Implementasi sistem ini meningkatkan efisiensi pencarian informasi dan kualitas layanan internal perusahaan.
Penelitian ini menyimpulkan bahwa Chatbot berbasis Large Language Model dengan Retrieval-Augmented Generation efektif digunakan sebagai saluran informasi perusahaan.
Riwayat Artikel Diterima 10 Januari 2024 Diperbaiki 15 Februari 2024 Diterbitkan 20 Maret 2024 Kata Kunci Large Language Model Retrieval-Augmented Generation Chatbot Sistem Informasi Internal This is an open-access article under the CCAeBY-SA license Pendahuluan Dalam beberapa tahun terakhir, perkembangan kecerdasan buatan (Artificial Intelligenc.
di bidang teknologi informasi menunjukkan kemajuan yang signifikan, salah satunya melalui penerapan chatbot.
Sejumlah studi mengungkapkan bahwa penggunaan chatbot mampu mendukung peningkatan efisiensi layanan melalui otomatisasi penyediaan informasi, percepatan waktu respons, pengurangan beban kerja manual serta efisiensi biaya operasional .
, .
, .
, .
Meskipun demikian, berdasarkan hasil observasi dan pengalaman penulis selama mengikuti program Merdeka Belajar Kampus Merdeka di Service Center PT.
Java Abadi Gemilang, pemanfaatan chatbot sebagai media informasi internal perusahaan hingga saat ini belum diterapkan.
Padahal, teknologi tersebut berpotensi meningkatkan efektivitas layanan internal.
Pemanfaatan chatbot berbasis Large Language Model (LLM) memungkinkan pemrosesan bahasa alami yang lebih adaptif terhadap konteks komunikasi pengguna.
Dengan menganalisis masukan dalam bentuk teks maupun suara, sistem ini mampu mengenali informasi penting dan menyesuaikan respons, sehingga pola interaksi yang terbentuk menjadi lebih mendekati percakapan antar manusia .
, .
Akan tetapi pemanfaatan Large Language Model masih memiliki kelemahan, salah satunya kecenderungan menghasilkan jawaban yang terdengar meyakinkan tetapi tidak sesuai fakta, sebuah fenomena yang sering disebut halusinasi .
, .
Seperti dijelaskan oleh Magdalena Wysocka dan rekan-rekan .
Aumodel yang lebih mutakhir memang kian lancar dalam menyusun kalimat, tetapi ketepatan faktualnya masih belum stabil, dan bias terhadap entitas yang sering muncul dalam data pelatihan masih tampak jelasAy .
12928/jstie.
jurnalsarjana@tif.
Jurnal Sarjana Teknik Informatika e-ISSN: 2809-3399, p-ISSN: 2338-5197 Vol.
No.
Februari 2026, pp.
Untuk meminimalkan masalah tersebut, pendekatan Retrieval-Augmented Generation (RAG) menjadi solusi yang semakin banyak dibicarakan.
Murtiyoso dan kolega .
menjelaskan bahwa AuRetrieval-Augmented Generation bekerja dengan menggabungkan mekanisme pencarian informasi eksternal dan kemampuan generatif Large Language Model, sehingga model dapat mengakses sumber pengetahuan tambahan di luar data pelatihannya.
Dengan bantuan informasi dari luar, kualitas dan ketelitian jawaban yang dihasilkan meningkat, terutama pada bidang yang memerlukan pengetahuan rinci dan selalu berubahAy .
Secara teknis.
Retrieval-Augmented Generation bekerja dengan memanfaatkan dokumen eksternal, seperti berkas PDF, yang diproses menjadi representasi vektor melalui teknik embedding.
Vektor-vektor ini kemudian disimpan dalam basis data dan digunakan sebagai sumber referensi tambahan yang terintegrasi dengan sistem chatbot, sehingga model dapat menghasilkan jawaban berdasarkan konteks dan data yang relevan .
Dengan menggunakan pendekatan ini, chatbot dapat memberikan jawaban yang tidak hanya natural tetapi berdasarkan bukti faktual dari data internal perusahaan seperti SOP, kebijakan dan aturan layanan.
FAQ internal.
Berbagai penelitian telah menerapkan Retrieval-Augmented Generation (RAG) dalam pengembangan chatbot.
Penelitian oleh Rizki Dharma Raya dan F.
Lia Dwi Cahyanti menunjukkan bahwa integrasi RAG dengan berbagai model seperti Llama.
Gemma, dan Mistral mampu menghasilkan respons yang akurat dan relevan secara kontekstual .
Sementara itu, studi Gerald Dustin Albert dan Apriade Voutama melaporkan bahwa chatbot berbasis PDF dengan pendekatan local RAG mampu mencapai ROUGE-L sebesar 0,85 dengan waktu respons 5Ae10 detik .
Temuan tersebut menegaskan efektivitas RAG dalam meningkatkan kesesuaian jawaban terhadap dokumen referensi.
Di sisi lain, penelitian Muhammad Syarifudin et al.
lebih menitikberatkan pada aspek kualitas layanan dan dampaknya terhadap perilaku pengguna, menunjukkan bahwa kualitas layanan AIchatbot berpengaruh signifikan terhadap kepercayaan dan keterlibatan pengguna .
Meskipun demikian, sebagian besar penelitian tersebut berfokus pada implementasi umum atau konteks layanan publik dan e-commerce, serta belum secara spesifik mengkaji karakteristik basis pengetahuan internal perusahaan yang bersifat prosedural dan dinamis.
Evaluasi yang dilakukan juga umumnya tidak membandingkan secara eksplisit performa sistem dengan dan tanpa mekanisme retrieval dalam konteks operasional perusahaan.
Oleh karena itu, penelitian ini berupaya mengisi celah tersebut dengan mengimplementasikan dan mengevaluasi RAG secara komparatif pada sistem informasi internal berbasis dokumen SOP perusahaan.
Metode Penelitian merupakan jenis penelitian terapan yang dimana memiliki beberapa tahapan yaitu Studi literatur.
Pengumpulan dan Pra-pemrosesan data informasi internal perusahaan.
Merancang dan Implementasi Sistem Chatbot.
Pengujian sistem dan evaluasi, seperti pada gambar 1 di bawah ini:
Studi Literatur Studi Literatur merupakan tahap awal dalam penelitian ini yang dilakukan melalui proses pengumpulan dan analisis sumber-sumber ilmiah dari berbagai basis data, seperti Google Scholar.
Garuda.
Scopus, dan SINTA.
Tahap ini bertujuan untuk memperoleh pemahaman komprehensif yang mendukung perumusan metodologi penelitian, khususnya terkait implementasi chatbot berbasis Large Language Model (LLM) dengan pendekatan Retrieval-Augmented Generation (RAG).
Pengumpulan dan Pra-Pemrosesan Data Internal Tahap ini meliputi pengumpulan data internal perusahaan berupa dokumen SOP, kebijakan layanan, serta FAQ internal dalam format PDF.
Seluruh dokumen yang diperoleh akan melalui serangkaian proses pra-pemrosesan data yang terdiri atas beberapa tahapan seperti berikut:
Slamet Meisa Putra et al.
(Implementasi Chatbot Berbasis Large Language ModelA) Jurnal Sarjana Teknik Informatika Vol.
No.
Februari 2026, pp.
ISSN 2809-3399
Data Cleaning Tahap data cleaning dilakukan untuk menghilangkan noise pada dokumen, seperti duplikasi informasi, karakter tidak relevan, header dan footer otomatis, serta ketidakkonsistenan format teks hasil ekstraksi PDF, sehingga diperoleh data teks yang bersih dan siap diproses lebih lanjut.
Text Splitting (Chunkin.
Tahap text splitting dilakukan dengan membagi dokumen yang telah dibersihkan menjadi potongan teks .
berukuran sekitar 1000 token per bagian.
Ukuran chunk yang relatif besar dipilih untuk mempertahankan konteks prosedural yang utuh, khususnya pada dokumen SOP yang memiliki alur langkah berurutan.
Pendekatan ini bertujuan mengurangi fragmentasi informasi yang dapat menurunkan relevansi hasil retrieval pada sistem Retrieval-Augmented Generation.
Merancang dan Implementasi Sistem Tahap ini berfokus pada perancangan arsitektur chatbot berbasis platform n8n yang memanfaatkan Large Language Model (LLM) dengan pendekatan Retrieval-Augmented Generation (RAG) sebagai layanan informasi internal.
Interaksi dimulai ketika pengguna mengirim pesan melalui Telegram yang kemudian diproses oleh AI Agent terintegrasi dengan Google Gemini sebagai model generatif.
Dokumen internal yang telah dibersihkan dan dipotong menjadi beberapa bagian diubah ke dalam bentuk embedding untuk merepresentasikan makna teks secara numerik.
Embedding tersebut disimpan pada Supabase Vector Store guna memungkinkan pencarian informasi berbasis kesamaan makna .
emantic similarit.
Ketika pengguna mengajukan pertanyaan, sistem mengubah query menjadi embedding dan melakukan pencarian menggunakan cosine similarity untuk memperoleh tiga dokumen paling relevan .
op-k = .
Pemilihan jumlah tersebut bertujuan menjaga keseimbangan antara kelengkapan konteks dan meminimalkan informasi yang tidak Hasil pencarian kemudian dimasukkan ke dalam prompt sebelum diproses oleh model LLM yang dikonfigurasi dengan temperatur rendah untuk meningkatkan konsistensi jawaban serta mengurangi potensi halusinasi.
Respons akhir selanjutnya dikirim kembali kepada pengguna melalui Telegram.
Pengujian dan Evaluasi Sistem Tahap pengujian dilakukan untuk menilai tingkat ketepatan respons chatbot serta membandingkan kinerjanya pada skenario dengan dan tanpa penerapan Retrieval-Augmented Generation (RAG).
Jumlah pertanyaan uji diperluas dari 15 menjadi 30 untuk meningkatkan variasi konteks dan validitas evaluasi.
Evaluasi dilakukan dalam dua tahap.
Tahap pertama menggunakan metode Human Semantic Evaluation, dengan membandingkan jawaban chatbot terhadap dokumen SOP perusahaan sebagai referensi utama.
Penilaian didasarkan pada tiga indikator, yaitu relevansi, kelengkapan informasi, dan akurasi fakta.
Respons kemudian diklasifikasikan ke dalam kategori AuSesuaiAy.
AuSebagian SesuaiAy, atau AuTidak SesuaiAy.
Metode Human Semantic Evaluation dipilih karena lebih sesuai untuk sistem Question Answering berbasis dokumen SOP yang bersifat prosedural, dimana ketepatan makna, konteks operasional, dan kelengkapan informasi lebih relevan dinilai secara semantik oleh evaluator manusia dibandingkan metrik otomatis berbasis kesamaan Tahap kedua menganalisis performa sistem berdasarkan mekanisme pembangkitan jawaban (RAG dan non-RAG).
Tingkat akurasi dihitung dari proporsi jawaban yang dikategorikan AuSesuaiAy terhadap total pertanyaan menggunakan rumus:
yaycoycycycaycycn (%) = .
aycycoycoycaEa ycycaycycaycaycaycu AuycIyceycycycaycnAy / ycNycuycycayco ycyyceycycycaycuycycaycayc.
y 100% Nilai akurasi tersebut digunakan untuk membandingkan efektivitas kedua pendekatan dalam menghasilkan respons yang sesuai dengan dokumen internal.
Slamet Meisa Putra et al.
(Implementasi Chatbot Berbasis Large Language ModelA) Jurnal Sarjana Teknik Informatika e-ISSN: 2809-3399, p-ISSN: 2338-5197 Vol.
No.
Februari 2026, pp.
Hasil dan Pembahasan Hasil dan pembahasan menjelaskan implementasi chatbot serta menganalisis kelayakan sistem yang menerapkan metode Retrieval-Augmented Generation (RAG).
Basis pengetahuan berbasis dokumen SOP diproses melalui embedding dan disimpan pada vector database, sehingga pembaruan informasi dapat dilakukan secara dinamis tanpa pelatihan ulang model.
Mekanisme ini memastikan proses retrieval selalu mengacu pada dokumen terbaru sehingga konteks jawaban tetap relevan dengan prosedur operasional perusahaan.
Evaluasi dilakukan untuk menilai kemampuan pendekatan RAG dalam menghasilkan respons yang akurat dan kontekstual menggunakan 30 pertanyaan uji yang diklasifikasikan menjadi pertanyaan eksplisit, implisit, dan di luar konteks basis pengetahuan.
Penggunaan chunk berukuran besar pada proses retrieval membantu mempertahankan konteks prosedural dokumen internal sehingga respons menjadi lebih konsisten pada pertanyaan eksplisit, tetap relevan pada pertanyaan implisit yang memerlukan inferensi kontekstual, serta mampu menolak pertanyaan yang tidak berkaitan dengan dokumen SOP.
Selain aspek akurasi, implementasi chatbot berbasis RAG juga memiliki implikasi terhadap keamanan dan privasi informasi internal.
Meskipun dokumen SOP disimpan dalam bentuk embedding pada vector database, representasi tersebut tetap mempertahankan makna semantik sehingga berpotensi diekstraksi melalui interaksi berulang dengan sistem.
Oleh karena itu, chatbot dirancang sebagai sistem internal yang hanya dapat diakses dalam lingkungan operasional perusahaan dengan pembatasan penggunaan untuk kebutuhan informasi prosedural karyawan.
Pendekatan ini bertujuan menjaga keseimbangan antara kemudahan akses informasi dan perlindungan basis pengetahuan organisasi.
Gambar 6 Contoh Teks Respon Bot Gambar 6 menunjukkan interaksi awal pengguna dengan chatbot ketika memulai percakapan.
Pada contoh tersebut, pengguna memasukkan sapaan Auselamat pagiAy dan sistem merespons dengan sapaan balasan yang relevan, yaitu Auselamat pagi juga! Ada yang bisa saya bantu?Ay.
Respons ini menunjukkan bahwa chatbot mampu mengenali intent dasar berupa sapaan dan memberikan tanggapan yang sesuai dengan konteks percakapan.
Slamet Meisa Putra et al.
(Implementasi Chatbot Berbasis Large Language ModelA) Jurnal Sarjana Teknik Informatika Vol.
No.
Februari 2026, pp.
ISSN 2809-3399
Gambar 7 Contoh Teks Respon Bot Gambar 7 menunjukkan contoh interaksi ketika pengguna menanyakan media pengajuan klaim service atau garansi.
Pengguna memasukkan pertanyaan mengenai saluran yang dapat digunakan untuk mengajukan klaim, kemudian chatbot merespons bahwa klaim dapat dilakukan melalui nomor Service Center seperti WhatsApp.
SMS, dan telepon, serta media lain yang akan diteruskan kepada product specialist.
Respons tersebut sesuai dengan prosedur yang tercantum dalam SOP perusahaan.
Table 1: Evaluasi Kualitas Respons Chatbot
KATEGORI
PERTANYAAN
RESPON
CHATBOT
SUMBER
SOP
PENILAIAN
SEMANTIK
Eksplisit Berapa batas waktu maksimal untuk perbaikan ringan di Service Center dan perbaikan teknisi di Warehouse, serta apa tujuan penetapan waktu Perbaikan ringan di Service Center harus diselesaikan dalam waktu maksimal 2 jam pada jam kerja.
Untuk perbaikan di Warehouse oleh teknisi, batas waktunya adalah maksimal 2 hari kerja setelah laptop Tujuan penetapan batas waktu ini adalah untuk memastikan efisiensi dan kecepatan dalam proses perbaikan, sehingga kepuasan pelanggan dapat terjaga dengan baik.
Sesuai Eksplisit Melalui media apa saja customer dapat mengajukan klaim service atau garansi? Untuk mengajukan klaim service atau garansi, customer dapat menghubungi kami melalui: Telepon.
Email.
Formulir kontak di website kami Tidak Sebagian Sesuai Slamet Meisa Putra et al.
(Implementasi Chatbot Berbasis Large Language ModelA) Jurnal Sarjana Teknik Informatika e-ISSN: 2809-3399, p-ISSN: 2338-5197 Vol.
No.
Februari 2026, pp.
KATEGORI
PERTANYAAN
RESPON
CHATBOT
SUMBER
SOP
PENILAIAN
SEMANTIK
Implisit Apa tujuan dilakukan menyeluruh meskipun hanya satu komponen yang dilaporkan rusak? Tujuan dilakukannya menyeluruh meskipun hanya satu komponen yang dilaporkan rusak adalah untuk potensi masalah lain yang mungkin belum terlihat atau belum Tidak Tidak Sesuai Implisit Apa manfaat melakukan general check seluruh komponen laptop setelah perbaikan General check setelah perbaikan utama penting untuk memastikan semua komponen berfungsi optimal dan terintegrasi dengan baik.
Tidak Tidak Sesuai Diluar Konteks Berapa rata-rata biaya perbaikan kerusakan berat laptop di Service Center? Maaf, saya tidak dapat menemukan informasi mengenai rata-rata biaya perbaikan kerusakan berat laptop di database.
Tidak Sesuai Diluar Konteks Merek laptop apa yang paling sering mengalami klaim Maaf, data yang Anda minta tidak tersedia.
Informasi mengenai merek laptop yang paling sering mengalami klaim garansi tidak terdapat dalam database.
Sesuai Table 2: Evaluasi Performa RAG
Kategori Eksplisit
Pertanyaan RAG
Mengapa perbaikan ringan tidak perlu dikirim ke Warehouse? ue
Berapa batas waktu maksimal untuk perbaikan ringan di Service Center dan perbaikan teknisi di Warehouse, serta apa tujuan penetapan waktu Jika saya mengalami masalah dengan lupa kode
kunci, termasuk kategori perbaikan apa dan berapa lama perbaikan tersebut ? Jelaskan alur pengiriman laptop dari service center
ke Warehouse hingga kembali ke customer ? Melalui media apa saja customer dapat mengajukan klaim service atau garansi ? Non
RAG
Presentase RAG Presentase Non RAG ue ue ue ue Slamet Meisa Putra et al.
(Implementasi Chatbot Berbasis Large Language ModelA) Jurnal Sarjana Teknik Informatika Vol.
No.
Februari 2026, pp.
Kategori Pertanyaan RAG
Bagian mana yang melakukan proses pengepakan ulang sebelum perangkat dikirim kembali ke Apa yang harus dilakukan petugas sebelum perangkat diterima secara resmi dari customer di Service Center? Pada tahap mana perangkat dilakukan pengecekan ulang sebelum dikirim kembali kepada customer? ue
Siapa pihak yang menangani perangkat ketika perbaikan tidak dapat dilakukan di Service Center? Apa tindakan yang dilakukan setelah proses perbaikan perangkat selesai sebelum dilakukan Mengapa customer harus selalu mendapat update setiap tahap perbaikan dan pengiriman ? Mengapa dokumentasi foto atau video kerusakan diperlukan dalam proses service ? Apa risiko yang mungkin terjadi jika verifikasi
kartu garansi tidak dilakukan dengan database ecommerce ? Apa manfaat melakukan general check seluruh komponen laptop setelah perbaikan utama ? Apa dampak jika update penerimaan laptop tidak diberikan kepada customer? Implisit
ISSN 2809-3399
Mengapa proses pengecekan kelengkapan perangkat perlu dilakukan dua kali selama proses Bagaimana prosedur dokumentasi membantu mengurangi potensi sengketa antara customer dan Service Center? Mengapa perangkat perlu dibersihkan dan dirapikan sebelum dikirim kembali ke customer? Apa tujuan dilakukan pemeriksaan menyeluruh meskipun hanya satu komponen yang dilaporkan Mengapa koordinasi antara Service Center dan Warehouse penting dalam menjaga kualitas Berapa rata-rata biaya perbaikan kerusakan berat laptop di Service Center ? Merek laptop apa yang paling sering mengalami klaim garansi ? Diluar Apakah Service Center memberikan garansi ulang setelah perbaikan selesai ? Berapa tingkat kepuasan pelanggan terhadap layanan Service Center dalam satu tahun terakhir? Apakah Service Center menyediakan layanan perbaikan di lokasi customer .
ome servic.
? Presentase RAG
Presentase Non RAG
Berapa jumlah Teknisi yang bekerja di warehouse setiap hari ? Berapa lama rata-rata pengiriman ekspedisi dari warehouse ke rumah customer ? Non
RAG
ue ue ue ue Slamet Meisa Putra et al.
(Implementasi Chatbot Berbasis Large Language ModelA) Jurnal Sarjana Teknik Informatika e-ISSN: 2809-3399, p-ISSN: 2338-5197 Kategori Vol.
No.
Februari 2026, pp.
Pertanyaan RAG
Apakah perusahaan menyediakan layanan prioritas berbayar untuk mempercepat proses service? ue
Apakah teknisi Service Center menggunakan kecerdasan buatan untuk mendiagnosis kerusakan laptop secara otomatis? Apakah Service Center menyediakan layanan upgrade spesifikasi laptop sambil menunggu proses Non
RAG
Presentase RAG Presentase Non RAG ue Tabel evaluasi disusun untuk mengukur perbedaan tingkat akurasi respons chatbot berdasarkan kategori konteks, yaitu eksplisit, implisit, dan di luar konteks, pada skenario dengan penerapan Retrieval-Augmented Generation (RAG) maupun tanpa RAG.
Respons diklasifikasikan sebagai RAG apabila sistem menghasilkan jawaban melalui proses retrieval dokumen, sedangkan Non-RAG merujuk pada jawaban yang dihasilkan tanpa proses retrieval.
Akurasi dihitung berdasarkan jumlah jawaban yang dikategorikan AuSesuaiAy pada hasil evaluasi semantik dibandingkan dengan total pertanyaan pada masing-masing kategori.
Pada kategori eksplisit terdapat sepuluh pertanyaan.
Dari jumlah tersebut, sembilan respons berbasis RAG dinilai AuSesuaiAy, sehingga menghasilkan akurasi 9/10 y 100% = 90%, sedangkan satu respons non-RAG dinilai AuSesuaiAy dengan akurasi 10%.
Pada kategori implisit, delapan respons berbasis RAG dinilai AuSesuaiAy .
%), sementara dua respons non-RAG dinilai AuSesuaiAy .
%).
Pada kategori di luar konteks, delapan respons RAG dinilai sesuai .
%) dan dua respons non-RAG dinilai sesuai .
%).
Secara keseluruhan, jumlah jawaban benar pada skenario RAG adalah 25 dari 30 pertanyaan, menghasilkan akurasi 83,3%.
Sementara itu, skenario Non-RAG menghasilkan lima jawaban benar dari 30 pertanyaan, dengan akurasi 16,7%.
Peningkatan akurasi pada skenario RAG menunjukkan bahwa integrasi mekanisme retrieval berperan signifikan dalam meningkatkan kesesuaian jawaban terhadap dokumen SOP.
Performa yang tinggi pada kategori eksplisit mengindikasikan efektivitas retrieval dalam menangani informasi prosedural terstruktur.
Perbedaan performa pada kategori implisit menunjukkan bahwa meskipun retrieval membantu menyediakan konteks, sistem masih memiliki keterbatasan dalam melakukan penggabungan informasi lintas potongan teks.
Kesimpulan Penelitian ini berhasil mengimplementasikan sistem chatbot berbasis Large Language Model (LLM) dengan pendekatan Retrieval-Augmented Generation (RAG) sebagai saluran informasi internal perusahaan.
Hasil evaluasi terhadap 30 pertanyaan uji menunjukkan bahwa 83,3% respons berbasis RAG dinilai relevan atau akurat, dibandingkan 16,7% pada skenario tanpa RAG.
Temuan ini menunjukkan bahwa integrasi mekanisme retrieval secara signifikan meningkatkan ketepatan konteks jawaban chatbot.
Penerapan RAG terbukti efektif dalam menangani informasi prosedural yang terstruktur, seperti dokumen SOP, kebijakan layanan, dan FAQ internal, sehingga mampu meningkatkan efisiensi pencarian informasi bagi karyawan.
Meskipun demikian, performa sistem masih bergantung pada kualitas dan kelengkapan dokumen sumber yang digunakan dalam proses retrieval.
Keterbatasan pada pengelolaan penyimpanan data internal berpotensi membatasi cakupan pengetahuan chatbot, khususnya pada pertanyaan yang memerlukan penggabungan informasi lintas konteks.
Selain itu, aspek keamanan sistem belum sepenuhnya dioptimalkan karena belum diterapkannya mekanisme validasi permintaan dan pembatasan akses .
ate limitin.
, yang berpotensi menyebabkan penyalahgunaan permintaan serta peningkatan konsumsi token pada layanan model generatif.
Oleh karena itu, penelitian selanjutnya dapat difokuskan pada penguatan manajemen basis pengetahuan, optimalisasi mekanisme keamanan sistem, serta penerapan strategi kontrol akses untuk meningkatkan efisiensi dan keberlanjutan operasional chatbot berbasis RAG.
Slamet Meisa Putra et al.
(Implementasi Chatbot Berbasis Large Language ModelA) Jurnal Sarjana Teknik Informatika Vol.
No.
Februari 2026, pp.
ISSN 2809-3399
Deklarasi Kontribusi Penulis.
Semua penulis berkontrbusi secara bersama-sama dengan kontributor utama dalam artikel ini.
Semua penulis membaca dan menyetujui versi akhir dari artikel yang diajukan.
Pernyataan Pendanaan.
Tidak ada penulis yang menerima dana atau hibah dari lembaga atau badan pendanaan untuk penelitian ini.
Konflik Kepentingan.
Penulis menyatakan tidak ada konflik kepentingan.
Informasi Tambahan.
Tidak ada informasi tambahan dalam artikel ini.
Daftar Pustaka