Jurnal Pelita Teknologi.
Vol.
2025, pp.
PELITA TEKNOLOGI
Journal homepage: jurnal.
id,p-ISSN: 2301-475X, e-ISSN: 2656-7059 Implementasi Chatbot NLP Pada Ainayya Super Laundry Dengan Rasa Framework Wiyanto1.
Muhammad Azizul Dzikri2 1,2Teknik Informatika.
Fakultas Teknik.
Universitas Pelita Bangsa Jl.
Inspeksi Kalimalang No.
Cibatu.
Cikarang Selatan.
Kab.
Bekasi.
Jawa Barat.
Indonesia Korespondensi email: wiyanto@pelitabangsa.
Abstrak Informasi Artikel Ainayya Super Laundry merupakan UMKM yang Diterima: 8 Desember 2024 menghadapi tantangan operasional signifikan Direvisi: 6 Februari 2025 akibat ketergantungan pada layanan manual dan Dipublikasikan: 30 Maret 2025 keterbatasan sumber daya.
Proses yang lambat, jam operasional yang terbatas, dan jumlah karyawan yang minim menyebabkan kesulitan dalam menangani pertanyaan pelanggan secara efektif, sehingga berisiko menurunkan kepuasan pelanggan dan daya saing usaha.
Penelitian ini bertujuan untuk mengatasi masalah tersebut dengan merancang, mengembangkan, dan menganalisis implementasi chatbot berbasis Keywords Natural Language Processing (NLP) Chatbot.
Natural Language Processing.
Rasa menggunakan Rasa Framework.
Metodologi yang Framework.
UMKM.
Layanan Pelanggan pengembangan sistem, diikuti dengan pengujian kinerja menggunakan metode Blackbox Testing dan analisis Confusion Matrix untuk mengevaluasi akurasi intent recognition.
Hasil pengujian menunjukkan performa model yang sangat optimal, dengan pencapaian akurasi, presisi, recall, dan F1-Score sebesar 100% untuk 11 intent yang diuji.
Kesimpulan dari penelitian ini adalah bahwa chatbot yang dikembangkan berhasil menjadi solusi yang efektif, mampu menjawab pertanyaan umum pelanggan secara akurat dan instan, sehingga dapat mengatasi keterbatasan jam operasional serta meningkatkan efisiensi dan kualitas layanan.
Penelitian ini memberikan bukti studi kasus yang praktis mengenai keberhasilan pemanfaatan teknologi AI sebagai solusi inovatif dan terukur bagi UMKM.
Jurnal Pelita Teknologi.
Vol.
2025, pp.
PELITA TEKNOLOGI
Journal homepage: jurnal.
id,p-ISSN: 2301-475X, e-ISSN: 2656-7059 Pendahuluan Ainayya Super Laundry sebagai pelaku UMKM jasa laundry menghadapi persaingan yang semakin ketat dengan tuntutan pelanggan terhadap layanan yang cepat, responsif, dan informatif.
Ketergantungan pada proses manual dalam pelayanan dan administrasi menyebabkan keterlambatan respons, tingginya risiko kesalahan manusia, serta keterbatasan akses informasi di luar jam Kondisi ini diperparah oleh keterbatasan modal dan jumlah tenaga kerja yang minim, sehingga beban kerja karyawan meningkat dan efisiensi operasional menurun.
Di era digital, akses informasi yang cepat melalui platform digital menjadi faktor penting dalam menjaga daya saing bisnis, sehingga diperlukan solusi inovatif untuk mengatasi keterbatasan sistem dan sumber daya yang ada .
berbasis webchat dengan Bahasa Indonesia, tanpa integrasi sistem kompleks, serta dievaluasi melalui pengujian usability Target kinerja sistem meliputi akurasi intent recognition minimal 80%, waktu respons kurang dari 5 detik, dan efisiensi penanganan pertanyaan umum minimal 70%.
Diharapkan implementasi produktivitas karyawan dan kualitas layanan Ainayya Super Laundry, tetapi juga menjadi model penerapan teknologi Artificial Intelligence (AI) yang praktis dan adaptif bagi UMKM lain dalam meningkatkan daya saing di era digital.
Sejumlah penelitian terdahulu menunjukkan bahwa implementasi chatbot berbasis Rasa Framework efektif dalam meningkatkan aksesibilitas dan kualitas layanan informasi di berbagai sektor seperti pariwisata dan pendidikan .
Studi pengembangan Rasa menegaskan pentingnya arsitektur Natural Language Understanding (NLU), dialogue policies, serta evaluasi menggunakan metrik akurasi dan F1-score untuk mengukur performa intent classification dan entity recognition .
Penelitian lain pada layanan informasi objek wisata berbasis Rasa juga membuktikan bahwa chatbot mampu melakukan klasifikasi intent dengan tingkat akurasi yang tinggi serta meningkatkan kemudahan akses informasi bagi pengguna .
Temuan-temuan ini memperkuat urgensi penerapan chatbot berbasis NLP sebagai solusi digital yang adaptif dan terukur dalam meningkatkan efisiensi layanan.
Sebagai solusi, penelitian ini mengusulkan pengembangan chatbot layanan pelanggan berbasis Natural Language Processing (NLP) Rasa Framework.
Implementasi chatbot bertujuan untuk mengotomatisasi respons terhadap pertanyaan umum seperti tarif, jam operasional, jenis layanan, alamat, dan promosi, sehingga mampu meningkatkan kecepatan layanan, mengurangi beban kerja karyawan, serta menyediakan layanan 24 jam.
Penggunaan Rasa Framework dipilih karena fleksibilitas dan kemampuannya dalam pengolahan bahasa alami yang mendukung akurasi intent recognition dan respons percakapan yang Penerapan teknologi ini menjadi langkah strategis untuk meningkatkan efisiensi operasional dan kualitas layanan di Secara konseptual.
Natural Language tengah keterbatasan sumber daya .
Processing (NLP) merupakan cabang Artificial Intelligence yang memungkinkan Penelitian ini difokuskan pada perancangan, sistem memahami dan memproses bahasa pengembangan, dan pengujian chatbot ISSN: p.
2301-475X e.
manusia secara alami .
NLP memanfaatkan teknik seperti analisis statistik dan machine learning untuk menangani aspek sintaksis dan semantik bahasa .
Dalam konteks bahasa Indonesia, pengembangan NLP terus mengalami kemajuan meskipun masih menghadapi tantangan ketersediaan data dan model yang sesuai .
Beberapa tugas utama NLP seperti Named Entity Recognition (NER) berperan penting dalam mengekstraksi informasi kontekstual dari teks .
Proses NLP tokenization .
, lowercasing .
, stopword removal .
, stemming .
, serta NER sebagai komponen fundamental dalam pemahaman bahasa alami .
Pendekatan NLP dalam chatbot tidak terlepas dari peran Machine Learning (ML) sebagai metode pembelajaran berbasis data untuk menghasilkan prediksi atau klasifikasi .
ML terbagi menjadi supervised, unsupervised, dan reinforcement learning yang digunakan sesuai dengan karakteristik data dan tujuan sistem .
Implementasi ML telah diterapkan dalam berbagai analisis data sosial dan prediktif .
, dengan tahapan sistematis mulai dari perumusan masalah hingga evaluasi model .
Perkembangan lebih lanjut menghadirkan perbedaan antara ML konvensional dan deep learning yang memanfaatkan Deep Neural Networks untuk menangani data kompleks secara otomatis .
Evaluasi performa model klasifikasi umumnya menggunakan confusion matrix untuk mengukur akurasi, presisi, dan recall sebagai indikator kinerja sistem .
Dalam pengembangan sistem percakapan, chatbot berbasis AI memanfaatkan integrasi NLU dan dialogue management melalui Rasa Framework untuk menghasilkan respons yang Rasa memungkinkan pengelolaan alur percakapan melalui komponen NLU dan Rasa Core sehingga sistem mampu mengenali intent, mengekstraksi entitas, serta menentukan aksi yang tepat berdasarkan konteks dialog.
Selain itu, integrasi Application Programming Interface (API) berperan sebagai jembatan komunikasi antar sistem melalui protokol HTTP dan format data seperti JSON, sehingga memungkinkan pertukaran data secara efisien antar aplikasi.
Untuk memperjelas alur komunikasi antar sistem tersebut.
Gambar berikut menampilkan ilustrasi Application Programming Interface Process yang menggambarkan mekanisme pertukaran permintaan dan respons antar layanan.
Gambar 1.
Application Programming Interface Process II.
Metodologi Penelitian ini menggunakan pendekatan studi kasus untuk menganalisis implementasi Natural Language Processing (NLP) dengan Rasa Framework pada Ainayya Super Laundry sebagai objek Fokus meningkatkan efisiensi operasional, kualitas pelanggan melalui otomasi layanan.
Objek penelitian merupakan UMKM jasa laundry di Sukatani yang masih mengandalkan proses manual dalam pelayanan dan administrasi, sehingga integrasi chatbot diuji sebagai solusi ISSN: p.
2301-475X e.
digital untuk menjawab keterbatasan sumber Super Laundry dengan dukungan perangkat daya dan jam operasional.
keras dan lunak yang memadai untuk pengembangan sistem.
Hasil analisis Metode pengumpulan data dilakukan melalui studi literatur, observasi, dan wawancara implementasi chatbot dalam menjawab semi-terstruktur.
Studi literatur digunakan kebutuhan layanan pelanggan UMKM serta untuk memperoleh landasan teoritis terkait chatbot.
NLP, dan evaluasi kinerja sistem.
pengembangan sistem yang lebih adaptif dan Observasi dilakukan untuk mengidentifikasi berkelanjutan di masa mendatang.
alur layanan dan permasalahan operasional sebelum serta selama implementasi sistem.
Hasil dan Pembahasan Wawancara dengan pemilik, karyawan, dan Sistem dirancang dengan mendefinisikan 11 pelanggan bertujuan menggali kebutuhan intent utama, 54 data latih pada berkas NLU, sistem serta mengevaluasi dampak penerapan serta alur dialog pada stories untuk chatbot terhadap layanan.
memastikan respons yang terstruktur dan Tahapan dengan kontekstual.
Model dilatih menggunakan identifikasi masalah dan perumusan tujuan, arsitektur DIET Classifier untuk mendukung dilanjutkan dengan akuisisi data percakapan proses intent recognition dan entity yang disusun menjadi 54 pertanyaan dalam 11 extraction.
Secara implementatif, sistem kategori intent.
Dataset diproses melalui tahap berhasil diintegrasikan ke dalam dua kanal preprocessing yang meliputi tokenization utama, yaitu WhatsApp dan widget website.
WhitespaceTokenizer, sehingga lowercasing, stopword removal, dan mengakses layanan secara fleksibel dan realstemming.
Selanjutnya dilakukan proses time.
Visualisasi integrasi sistem dapat dilihat Natural Language pada Gambar Integrasi Chatbot ke WhatsApp Understanding menggunakan algoritma DIET dan Gambar Integrasi Chatbot di Widget Classifier pada Rasa untuk melakukan intent Website berikut.
classification dan entity extraction, disertai validasi serta fine-tuning guna meningkatkan performa model.
Evaluasi sistem dilakukan secara kuantitatif dengan menghitung metrik precision, recall, dan F1-score untuk mengukur akurasi klasifikasi intent.
Selain itu, dilakukan blackbox testing untuk menguji fungsionalitas sistem dari perspektif pengguna.
Analisis responsivitas .
aktu respon.
, efisiensi penanganan pertanyaan umum secara otomatis, serta tingkat fallback sebagai indikator kegagalan sistem memahami masukan pengguna.
Penelitian dilaksanakan selama dua bulan (NovemberAeDesembe.
di lokasi Ainayya Gambar 2.
Integrasi Chatbot ke WhatsApp Jurnal Pelita Teknologi.
Vol.
2025, pp.
PELITA TEKNOLOGI
Journal homepage: jurnal.
id,p-ISSN: 2301-475X, e-ISSN: 2656-7059 Gambar 3.
Integrasi Chatbot ke Widget Website Pengujian kinerja dilakukan melalui analisis confusion matrix dan blackbox testing.
Evaluasi terhadap 250 sampel pertanyaan yang mewakili 11 intent menunjukkan bahwa seluruh prediksi berada pada diagonal utama matriks tanpa kesalahan klasifikasi.
Nilai akurasi, precision, recall, dan F1-score masing-masing mencapai 1,00 .
%), yang diklasifikasikan dengan tepat sesuai label Hasil ini melampaui target minimal akurasi 80% yang telah ditetapkan pada tujuan Visualisasi detail performa model ditampilkan pada Gambar Hasil Intent Confusion Matrix dibawah ini.
Gambar 4.
Hasil Intent Confusion Matrix Jurnal Pelita Teknologi.
Vol.
2025, pp.
PELITA TEKNOLOGI
Journal homepage: jurnal.
id,p-ISSN: 2301-475X, e-ISSN: 2656-7059 Selain evaluasi klasifikasi, blackbox testing IV.
Kesimpulan menunjukkan bahwa seluruh skenario Berdasarkan fungsional mulai dari salam, informasi harga, implementasi chatbot berbasis Natural layanan, alamat, promo, hingga pertanyaan di Language Processing (NLP) menggunakan luar konteks .
ut_of_scop.
menghasilkan Rasa Framework pada Ainayya Super respons yang sesuai dan relevan.
Respons Laundry berhasil dirancang, dikembangkan, sistem juga tergolong cepat .
urang dari 5 dan diuji dengan performa sangat optimal, ditunjukkan oleh akurasi intent recognition, responsivitas percakapan.
Dengan demikian, presisi, recall, dan F1-Score yang mencapai dari sisi teknis, sistem terbukti stabil, akurat, 100%, melampaui target awal penelitian.
dan memenuhi indikator efisiensi penanganan Sistem ini terbukti efektif dalam menyediakan pertanyaan umum di atas 70%, bahkan layanan pelanggan 24 jam dengan respons mencapai 100% pada data pengujian.
instan dan akurat terkait informasi harga.
Dari sisi fungsional dan bisnis, implementasi layanan, lokasi, dan promo, sehingga mampu chatbot memungkinkan penyediaan layanan mengatasi keterbatasan jam operasional pelanggan 24 jam tanpa ketergantungan pada sekaligus meningkatkan kualitas interaksi jam operasional fisik toko.
Ketersediaan dengan pelanggan.
Otomatisasi 11 jenis informasi secara instan dan konsisten pertanyaan umum juga berdampak positif meningkatkan kualitas layanan sekaligus terhadap mengurangi beban kerja karyawan dalam produktivitas karyawan karena mengurangi menangani pertanyaan repetitif.
Hal ini beban kerja repetitif.
Untuk pengembangan memberikan dampak positif terhadap lebih lanjut, disarankan implementasi penuh produktivitas karyawan, karena mereka dapat pada saluran utama seperti WhatsApp lebih fokus pada tugas operasional yang Business, penambahan fitur lanjutan seperti bernilai tambah seperti kontrol kualitas dan pelacakan penanganan layanan inti laundry.
berkelanjutan melalui evaluasi data fallback Secara dan pelatihan ulang model secara periodik menunjukkan bahwa implementasi chatbot agar kinerja chatbot tetap adaptif dan optimal.
berbasis NLP dengan Rasa Framework efektif dalam meningkatkan akurasi layanan Daftar Pustaka .
Lau.
Yulianto, and S.
Sabariman, aksesibilitas pelanggan pada UMKM jasa AuPerancangan Chatbot pada PT Martindo Meskipun demikian, keterbatasan Fine Foods sebagai Solusi Peningkatan studi kasus pada satu objek penelitian dan Efisiensi dan Layanan,Ay Madani, vol.
2, no.
ruang lingkup fitur yang masih terbatas 4, pp.
167Ae174.
Jul.
2024, doi:
menunjukkan perlunya pengujian lanjutan 37253/madani.
dengan data yang lebih beragam untuk .
Mubarok and M.
Tanjung.
AuImplementasi Natural Language menguji robustness sistem di lingkungan Processing dalam Perancangan Aplikasi produksi nyata.
Chatbot pada FIKTI UMSU,Ay JATI (Jurnal Mahasiswa Teknik Informatik.
, vol.
8, no.
ISSN: p.
2301-475X e.
6, pp.
11992Ae12001.
Nov.
2024, doi:
36040/jati.
Wulandari and J.
Wibowo.
AuImplementasi Chatbot Menggunakan Framework Rasa untuk Layanan Informasi Wisata di Kota Pati,Ay INTECOMS: Journal of Information Technology and Computer Science, vol.
6, no.
2, pp.
794Ae801, 2023, doi: 10.
31539/intecoms.
and S.
AuImplementation of an Educational Chatbot Using Rasa Framework,Ay International Journal of Innovative Technology and Exploring Engineering, vol.
11, no.
9, pp.
29Ae35, 2022, doi: 10.
35940/ijitee.
Pradana.
NafiAoah, and R.
Rochmanto.
AuChatbot-Based Information Service Using RASA Open-Source Framework in Prambanan Temple Tourism Object,Ay Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas.
, vol.
6, no.
4, pp.
656Ae662, 29207/resti.
Lareyre et al.
AuComprehensive Review of Natural Language Processing (NLP) in Vascular Surgery,Ay EJVES Vascular Forum, vol.
60, pp.
57Ae63, 2023, doi:
1016/j.
Wyatt.
Booth, and A.
Goldman.
AuNatural Language Processing and Its Use in Orthopaedic Research,Ay Current Reviews in Musculoskeletal Medicine, vol.
14, no.
6, pp.
392Ae396.
Dec.
2021, doi: 10.
1007/s12178-021-09734-3.
Budi and R.
Suryono.
AuApplication of Named Entity Recognition Method for Indonesian Datasets: A Review,Ay Bulletin of Electrical Engineering and Informatics, 12, no.
2, pp.
969Ae978.
Apr.
2023, doi:
11591/eei.
AuImproving Named Entity Recognition in Bahasa Indonesia with TransformerWord2Vec-CNN-Attention Model,Ay International Journal of Intelligent Engineering and Systems, vol.
16, no.
4, pp.
655Ae668.
Aug.
22266/ijies2023.
Nabankema.
AuEvaluation of Natural Language Processing Techniques for Information Retrieval,Ay European Journal Information Knowledge .
Management, vol.
3, no.
1, pp.
38Ae49.
Mar.
2024, doi: 10.
47941/ejikm.
Qarah and T.
Alsanoosy.
AuA Comprehensive Analysis of Various Tokenizers for Arabic Large Language Models,Ay Applied Sciences, vol.
14, no.
Jun.
3390/app14135696.
Agarwal et al.
AuDeepGram: Combining Language Transformer and N-Gram Based ML Models for YouTube Spam Comment Detection,Ay Journal of Data Science and Intelligent Systems.
Nov.
2023, doi:
47852/bonviewJDSIS3202966.
Nurcahyawati and Z.
Mustaffa.
AuImproving Sentiment Reviews Classification Performance Using Support Vector Machine-Fuzzy Matching Algorithm,Ay Bulletin Electrical Engineering and Informatics, vol.
12, no.
1817Ae1824.
Jun.
2023, doi:
11591/eei.
Fayaza and F.
Farhath.
AuTowards Stopwords Identification in Tamil Text Clustering,Ay International Journal of Advanced Computer Science Applications, vol.
12, no.
12, 2021, doi:
14569/IJACSA.
Gonzylez et al.
AuA Natural-LanguageProcessing-Based Method Clustering and Analysis of Movie Reviews and Classification by Genre,Ay Mathematics, 11, no.
23, p.
Nov.
2023, doi:
3390/math11234735.
Jabbar et al.
AuAn Analytical Analysis of Text Stemming Methodologies Information Retrieval Natural Language Processing Systems,Ay Ie Access, vol.
11, pp.
133681Ae133702, 2023, doi: 10.
1109/ACCESS.
Suci.
Hayatin, and Y.
Munarko.
AuIN-IDRIS: Modification of IDRIS Stemming Algorithm for Indonesian Text,Ay IIUM Engineering Journal, vol.
23, no.
82Ae94.
Jan.
31436/iiumej.
Shen.
Hu.
Liu, and Y.
Shen.
AuMulti-Task Joint Learning to Enhance Named Entity Recognition,Ay Journal of Physics: Conference Series, vol.
2428, no.
ISSN: p.
2301-475X e.
1, p.
Feb.
2023, doi: 10.
1088/17426596/2428/1/012037.
Yan.
Qian.
Xie, and S.
Chen.
AuUnsupervised Cross-Lingual Model Transfer for Named Entity Recognition Contextualized Word Representations,Ay PLOS ONE, vol.
16, no.
9, p.
Sep.
2021, doi:
1371/journal.
Roihan.
Sunarya, and A.
Rafika.
AuPemanfaatan Machine Learning dalam Berbagai Bidang: Review Paper,Ay IJCIT (Indonesian Journal on Computer and Information Technolog.
, vol.
5, no.
May 2020, doi: 10.
31294/ijcit.
Himilda and R.
Johan.
AuKlasifikasi Jenis Kendaraan Menggunakan Metode Extreme Learning Machine,Ay JTIM: Jurnal Teknologi Informasi dan Multimedia, vol.
2, no.
4, pp.
237Ae243.
Feb.
2021, doi:
35746/jtim.
Warohma et al.
AuPrediksi Jumlah Perceraian Menggunakan Metode Extreme Learning Machine (ELM),Ay Journal of Information System Research (JOSH), vol.
4, no.
4, pp.
1448Ae1454.
Jul.
2023, doi:
47065/josh.
Cahyanti et al.
AuKlasifikasi Data Mining dengan Algoritma Machine Learning untuk Prediksi Penyakit Liver,Ay Technologia: Jurnal Ilmiah, vol.
14, no.
Apr.
31602/tji.
Bhagwandas.
AuMachine Learning and Deep Learning ApplicationsAiA Vision Using the SPSS Method,Ay Recent Trends in Management and Commerce, vol.
1, no.
16Ae24.
Feb.
46632/rmc/1/3/3.
Aminudin et al.
AuPengolahan Korpus Dataset Audio Bacaan Al-QurAoan Menggunakan Metode Wav2Vec 2.
0,Ay Jurnal Edukasi dan Penelitian Informatika (JEPIN), vol.
10, no.
1, p.
Apr.
doi: 10.
26418/jp.