Sistem Respon Layanan pelanggan menggunakan naive bayes.pptx

SI Respon Layanan pelanggan

1. Respon Layanan Pelanggan Menggunakan Algoritma Klasifikasi Naïve Bayes Maritza Labibah Iswara Zakaria 1 , Shofiya Syidada 2 1, Universitas Wijaya Kusuma Surabaya, Jl. Dukuh Kupang XXV no. 54 Surabaya, Indonesia 2, Universitas Wijaya Kusuma Surabaya, Jl. Dukuh Kupang XXV no. 54 Surabaya, Indonesia Seminar Nasional KARSA NUSANTARA Kolaborasi Rekayasa dan Sains Nasional untuk Teknologi , Riset , dan Kecerdasan   Buatan Fakultas Teknik, Universitas Wijaya Kusuma Surabaya 18 Juni 2025 Support By:

2. PENDAHULUAN Layanan pelanggan merupakan salah satu aspek penting dalam hubungan antara perusahaan dan konsumennya. Respon yang cepat, tepat, dan sesuai terhadap pertanyaan atau keluhan dapat meningkatkan kepuasan pe langgan . Namun, tidak sedikit perusahaan yang menghadapi kendala dalam menangani banyaknya permintaan informasi atau keluhan dari pelanggan, terutama ketika permintaan tersebut datang secara bersamaan dan berulang. Untuk mengatasi permasalahan tersebut, dibutuhkan suatu sistem yang mampu memproses dan mengelola permintaan informasi dari pelanggan secara otomatis. Salah satu pendekatan yang dapat digunakan adalah dengan menerapkan teknik klasifikasi , yaitu proses pengelompokan data berdasarkan karakteristik tertentu. Dalam konteks layanan pelanggan, klasifikasi berfungsi untuk mengelompokkan pertanyaan ke dalam kategori seperti pertanyaan umum, keluhan, atau permintaan bantuan sehingga sistem dapat memberikan respons yang lebih tepa t .

3. METODE PENELITIAN

4. Dataset Dataset yang digunakan dalam penelitian ini berisi kumpulan data percakapan yang diperoleh dari interaksi user dengan layanan informasi Universitas Wijaya Kusuma Surabaya. Dataset ini terdiri dari 99 baris data dan 3 atribut utama, yaitu Teks, Intent , dan Jawaban. Atribut Teks berisi input atau pertanyaan yang diajukan oleh pengguna. Atribut Intent mengelompokkan maksud dari pertanyaan tersebut ke dalam kategori tertentu, seperti tanya_daftar , sapaan, atau tanya_kelas_program . Sementara itu, atribut Jawaban berisi respons yang sesuai terhadap pertanyaan pengguna. Dataset ini digunakan untuk keperluan klasifikasi, khususnya dalam mengelompokkan teks berdasarkan intent atau maksud dari kalimat tersebut. Preprocessing Preprocessing untuk mengubah data menjadi format excel , kemudian menganalisis, mengidentifikasi, dan memperbaiki data yang tidak konsisten. Setelah proses ini dataset siap diproses .

5. Klasifikasi Algoritma Naïve Bayes Algoritma Naïve Bayes merupakan suatu pendekatan klasifikasi dalam machine learning yang berasaskan pada teorema Bayes. Metode ini mengoperasikan dengan asumsi sederhana dan "naif," yaitu bahwa semua fitur atau kata yang terdapat dalam data input dianggap independen satu sama lain. Algoritma ini juga sering kali digunakan untuk hal seperti penghilang spam, sistem rekomendasi, dan teks klasifikasi. Oleh karena itu Naïve Bayes sering digunakan dalam melakukan klasifikasi sebab memiliki algoritma yang cukup sederhana yaitu dengan menghitung peluang kondisi tertentu. Adapun bentuk umum teorema bayes yaitu sebagai berikut. Hasil Output Output yang dihasilkan oleh Naive Bayes adalah akurasi dari pengujian yang dilakukan .  

6. Klasifikasi Algoritma Naïve Bayes Yang di mana dalam menghitung 𝑃(𝐻𝑖) dan 𝑃(𝐻𝑖) akan mengunakan persamaan berikut: Untuk menentukan kelas yang dipilih, Naïve Bayes akan membandingkan posterior probability dengan posterior probability lainnya dan memilih kelas yang memiliki nilai probabilitas tertinggi. Hasil Output Output yang dihasilkan oleh Naive Bayes adalah akurasi dari pengujian yang dilakukan .  

7. HASIL DAN PEMBAHASAN Persiapan Data Dataset tersebut berisi sebanyak 99 data interaksi kepada pihak universitas. Setiap data terdiri atas tiga komponen utama, yaitu teks pesan yang dikirim oleh user , intent atau maksud dari pesan tersebut, serta jawaban yang diberikan oleh pihak UWKS.

8. Proses Label encoder Kolom ini berisi data dalam bentuk kategorikal seperti tanya_daftar , sapaan, tanya_kelas_program , dan sebagainya. Karena algoritma klasifikasi seperti Naïve Bayes tidak dapat memproses data dalam bentuk teks secara langsung pada label target, maka diperlukan konversi data kategorikal tersebut ke dalam bentuk numerik.

9. Proses Perhitungan Akurasi Menggunakan Confusion Matrix Dari total 20 data uji ( support = 20), hanya satu label yang berhasil diprediksi dengan benar, yaitu label tanya_daftar , dengan nilai precision sebesar 0.42, recall sebesar 1.00, dan f1-score sebesar 0.59. Nilai macro average f1-score hanya sebesar 0.03 dan weighted average f1-score sebesar 0.24 .

10. KESIMPULAN Penelitian ini membuktikan bahwa algoritma Naïve Bayes dapat digunakan untuk mengklasifikasikan respon layanan pelanggan berdasarkan data percakapan calon mahasiswa . Meskipun model berhasil mengenali intent tanya_daftar dengan baik (precision 0,42 dan recall 1,00), performa keseluruhan masih rendah (f1-score makro 0,03) akibat ketidakseimbangan dan keterbatasan data. Oleh karena itu , peningkatan kualitas dan kuantitas data, serta eksplorasi preprocessing dan algoritma alternatif , diperlukan untuk hasil klasifikasi yang lebih optimal.