Penerapan Metode Retrieval-Augmented Generation (RAG) Pada Chatbot E-Commerce Berbasis Gemini Ai

Sari

Abstrack: Perkembangan e-commerce yang pesat telah meningkatkan harapan untuk sistem layanan pelanggan yang cerdas dan sadar konteks. Chatbot berbasis aturan tradisional terbukti tidak memadai dalam memenuhi permintaan yang semakin meningkat untuk respons yang akurat, cepat, dan relevan secara kontekstual. Penelitian ini mengusulkan pengembangan sistem chatbot berbasis Gemini AI yang terintegrasi dengan pendekatan Retrieval-Augmented Generation (RAG). Sistem ini mengambil dokumen-dokumen relevan dari basis data internal (katalog produk, kebijakan, riwayat pelanggan) dan menggunakan model LLaMA sebagai generator untuk menghasilkan jawaban yang faktual dan sejalan secara semantis. Dataset yang digunakan mencakup 214 pasangan percakapan yang telah dibersihkan yang bersumber dari Kaggle, diproses menggunakan Sentence-BERT untuk embedding kalimat. Sistem chatbot dievaluasi melalui metrik pengambilan dan generatif. Hasil menunjukkan kinerja tinggi dengan Mean Reciprocal Rank (MRR) sebesar 0,83, Exact Match (EM) sebesar 100%, F1 Score sebesar 82,05%, dan Similarity Semantis sebesar 97,45%, Tingkat kesetiaan 91,67% dan relevansi jawaban 94,21%. Temuan ini menunjukkan bahwa integrasi Gemini AI dengan RAG dapat secara signifikan meningkatkan akurasi, fakta, dan relevansi konteks dari respons chatbot di domain dinamis yang didorong oleh data seperti e-commerce.

Kata kunci: chatbot, e-commerce, Gemini AI, Retrieval-Augmented Generation, kesamaan semantic

Abstract: The rapid growth of e-commerce has raised expectations for intelligent and context-aware customer service systems. Traditional rule-based chatbots have proven inadequate in meeting the growing demand for accurate, fast, and contextually relevant responses. This research proposes the development of a Gemini AI-based chatbot system integrated with a Retrieval-Augmented Generation (RAG) approach. The system retrieves relevant documents from internal databases (product catalogues, policies, customer histories) and uses the LLaMA model as a generator to produce factual and semantically aligned answers. The dataset used includes 214 cleaned conversation pairs sourced from Kaggle, processed using Sentence-BERT for sentence embedding. The chatbot system is evaluated through retrieval and generative metrics. The results show high performance with a Mean Reciprocal Rank (MRR) of 0.83, an Exact Match (EM) of 100%, an F1 Score of 82.05%, a Semantic Similarity of 97.45%, a Fidelity Rate of 91.67%, and an answer relevance of 94.21%. These findings indicate that the integration of Gemini AI with RAG can significantly improve the accuracy, factuality, and contextual relevance of chatbot responses in dynamic, data-driven domains such as e-commerce.

Keywords: chatbots, e-commerce, Gemini AI, Retrieval-Augmented Generation, semantic similarity.