View/Open

Author
RAYAN, KOEMI KARUBY

Date Published
21 Jun 2026

Advisor
Ahmad Luky Ramdani, S.Komp., M.Kom,
Indah Suciati, M.Mat.,

Subject
Sains Data

Publisher

Penelitian ini merancang chatbot akademik yang mampu melayani pertanyaan seputar tugas akhir secara otomatis. Sistem dikembangkan menggunakan arsitektur Retrieval-Augmented Generation (RAG) yang diintegrasikan dengan Optical Character Recognition (OCR) untuk memproses masukan berupa teks maupun gambar. Alur kerja diimplementasikan melalui platform n8n yang menghubungkan OpenAI API, Gemini AI, Supabase, dan Telegram Bot API dalam satu pipeline terintegrasi. Salah satu fokus utama penelitian adalah perbandingan dua model embedding: BGE-M3-Embedding dan Qwen3-Embedding-8B. BGE-M3 merupakan model embedding yang unggul dalam retrieval multibahasa dengan pendekatan dense, sparse, dan multi-vector, sementara Qwen3 merupakan model task-aware berbasis arsitektur dual encoder dengan fine-tuning LoRA. Evaluasi menggunakan framework RAGAS membuktikan keunggulan signifikan BGE M3 dengan rata-rata kumulatif 0,76 dibandingkan Qwen sebesar 0,62. BGE-M3 dominan pada metrik Context Precision (0,76 vs 0,65) dan Context Recall (0,81 vs 0,51), menunjukkan kemampuannya membedakan terminologi akademik yang serupa namun berbeda prosedur. Pengembangan sistem menggunakan metodologi Waterfall. Hasil penelitian membuktikan bahwa BGE-M3 merupakan pilihan retriever yang lebih andal untuk chatbot informasi tugas akhir, karena mampu menghadirkan konteks yang lebih presisi, dan minim halusinasi.

URI
https://repo.itera.ac.id/depan/submission/SB2606220110

Keyword
Chatbot RAG Embedding n8n RAGAS