WIJAYA, Ageng Praba (2026) Implementasi Retrieval-Augmented Generation pada Asisten Virtual untuk Peningkatan Layanan Informasi dalam Pengembangan Website Siwur Berbasis Tall Stack. Skripsi thesis, Universitas Jenderal Soedirman.

	PDF (Cover) COVER-Ageng Praba Wijaya-H1D022016-Skripsi-2026.pdf Download (159kB)
	PDF (Legalitas) LEGALITAS-Ageng Praba Wijaya-H1D022016-Skripsi-2026.pdf Restricted to Repository staff only Download (853kB)
	PDF (Abstrak) ABSTRAK-Ageng Praba Wijaya-H1D022016-Skripsi-2026.pdf Download (234kB)
	PDF (BabI) BAB-1-Ageng Praba Wijaya-H1D022016-Skripsi-2026.pdf Restricted to Repository staff only until 23 January 2027. Download (176kB)
	PDF (BabII) BAB-2-Ageng Praba Wijaya-H1D022016-Skripsi-2026.pdf Restricted to Repository staff only until 23 January 2027. Download (811kB)
	PDF (BabIII) BAB-3-Ageng Praba Wijaya-H1D022016-Skripsi-2026.pdf Restricted to Repository staff only until 23 January 2027. Download (364kB)
	PDF (BabIV) BAB-4-Ageng Praba Wijaya-H1D022016-Skripsi-2026.pdf Restricted to Repository staff only Download (1MB)
	PDF (BabV) BAB-5-Ageng Praba Wijaya-H1D022016-Skripsi-2026.pdf Download (151kB)
	PDF (DaftarPustaka) DAFTAR PUSTAKA-Ageng Praba Wijaya-H1D022016-Skripsi-2026.pdf Download (160kB)
	PDF (Lampiran) LAMPIRAN-Ageng Praba Wijaya-H1D022016-Skripsi-2026.pdf Restricted to Repository staff only Download (717kB)

Abstract

Di era digital, kebutuhan pengguna terhadap akses informasi yang cepat, relevan, dan terpercaya melalui website semakin meningkat, namun metode konvensional seperti Frequently Asked Questions (FAQ) statis dan pencarian berbasis kata kunci seringkali belum mampu menjawab pertanyaan kompleks secara efisien; untuk menjawab tantangan tersebut, penelitian ini mengusulkan implementasi asisten virtual berbasis Retrieval-Augmented Generation (RAG) pada website Siwur yang dikembangkan menggunakan TALL Stack (Tailwind CSS, Alpine.js, Laravel, Livewire), di mana RAG dipilih karena mampu menggabungkan kekuatan pencarian berbasis basis pengetahuan terkurasi dengan kemampuan generatif Large Language Model (LLM) sehingga jawaban yang dihasilkan lebih relevan, kontekstual, dan dapat dipertanggungjawabkan; sistem kecerdasan buatan dibangun sebagai layanan backend terpisah menggunakan FastAPI (Python), dengan Google Gemini Flash 2.0 sebagai LLM, ChromaDB sebagai vector store, dan Sentence-Transformers untuk embedding, sementara metode penelitian yang digunakan adalah Rapid Application Development (RAD) yang menekankan iterasi cepat dan keterlibatan pengguna; evaluasi kinerja dilakukan secara kuantitatif menggunakan kerangka kerja RAGAS (Retrieval-Augmented Generation Assessment) dan secara kualitatif melalui User Acceptance Test (UAT), di mana hasil evaluasi RAGAS menunjukkan nilai Faithfulness sebesar 0.7401 dan Answer Relevancy sebesar 0.8053 yang mengindikasikan bahwa sistem mampu menghasilkan jawaban yang faktual dan relevan, sedangkan nilai Context Precision sebesar 0.4279 dan Context Recall sebesar 0.4624 menunjukkan kemampuan sistem dalam mengambil konteks yang cukup relevan, serta pengujian UAT menghasilkan skor rata-rata 83% dengan kategori “Sangat Baik”, yang menegaskan bahwa integrasi RAG pada asisten virtual Siwur dapat meningkatkan kualitas layanan informasi, mengurangi halusinasi jawaban, dan dapat diterima dengan baik oleh pengguna untuk mendukung operasional toko.

Item Type:	Thesis (Skripsi)
Nomor Inventaris:	H26019
Uncontrolled Keywords:	: Retrieval-Augmented Generation, RAGAS, Asisten Virtual, TALL Stack, Large Language Model (LLM)
Subjects:	I > I139 Information systems
Divisions:	Fakultas Teknik > S1 Teknik Informatika
Depositing User:	Mr AGENG PRABA WIJAYA
Date Deposited:	23 Jan 2026 06:48
Last Modified:	23 Jan 2026 06:48
URI:	http://repository.unsoed.ac.id:443/id/eprint/39170

Actions (login required)

View Item