Pengembangan Asisten Virtual Dengan Metode Knowledge Graph-Enhanced LLM Untuk Optimalisasi Pengambilan Keputusan Nasabah Berbasis Website (studi kasus: Bank BNI Jember)

Abstract

Perkembangan teknologi kecerdasan buatan membuka peluang bagi sektor perbankan untuk meningkatkan kualitas layanan pengambilan keputusan nasabah. Namun, chatbot konvensional masih terbatas dalam memahami konteks dan rentan terhadap halusinasi informasi. Penelitian ini mengembangkan Asisten Virtual berbasis website untuk Bank BNI Jember dengan menerapkan arsitektur Knowledge Graph-Enhanced Large Language Model (KG-Enhanced LLM) guna mengatasi limitasi tersebut dan mengoptimalkan keputusan finansial nasabah. Pengembangan sistem dilakukan dengan mentransformasikan data 24 dokumen Ringkasan Informasi Produk dan Layanan (RIPLAY) BNI (14 produk tabungan, 3 deposito, dan 7 kredit) ke format JSON menggunakan model Gemini, divalidasi oleh expert domain, lalu diekstraksi ke basis data graf Neo4j. Proses ini menghasilkan Knowledge Graph (KG) terdiri dari 953 node dengan 13 label dan 1.413 relasi dengan 14 tipe relasi. Logika integrasi dibangun melalui semantic schema, di mana LLM menerjemahkan kueri bahasa alami menjadi Cypher Query dinamis untuk mengambil konteks faktual pada Neo4j, yang selanjutnya disintesis menjadi jawaban fact-grounded menggunakan model GPT-4.1. Evaluasi sistem dilakukan menggunakan dua pendekatan komplementer untuk menguji performa pipa integrasi. Pengujian kualitas dengan metode LLM as Judge menggunakan model GPT-4.1 menghasilkan skor agregat sebesar 4,68/5,0 yang menempatkan keandalan sistem dalam kategori "Sangat Baik" di seluruh metrik, meliputi relevansi (4,68), akurasi fakta (4,62), kelengkapan (4,06), koherensi format (4,90), dan gaya bahasa (4,94). Pengukuran tingkat sebaran data menghasilkan nilai standar deviasi sampel sebesar 0,36, yang membuktikan kualitas luaran sistem stabil dan konsisten. Evaluasi keamanan tone menggunakan model IndoBERT menunjukkan bahwa 100% respons sistem berhasil lolos sentiment gate dengan distribusi 98% netral dan 2% positif, memenuhi target standar komunikasi perbankan yang netral-profesional. Terakhir, uji fungsionalitas menggunakan metode Black Box Testing terhadap 18 skenario uji menegaskan seluruh fitur aplikasi beroperasi penuh sesuai kebutuhan rancangan.