Pengembangan Chatbot E-Commerce Berbasis Large Language Model Dengan Pendekatan Retrieval-Augmented Generation Untuk Mendukung Automated Query Resolution Dan Order Processing
Abstract
Seiring dengan pesatnya perkembangan teknologi informasi dan komunikasi di era digital, lanskap bisnis global mengalami perubahan yang signifikan, salah satunya transformasi digital melalui platform e-commerce. Namun, seiring meningkatnya jumlah produk dan kebutuhan informasi yang akurat bagi pelanggan, tantangan muncul dalam menyediakan layanan pelanggan yang responsif dan relevan. Penelitian ini mengusulkan pengembangan chatbot e-commerce dengan pendekatan Retrieval-Augmented Generation (RAG), yang menggabungkan kemampuan Large Language Model (LLM) dengan sistem pencarian dokumen berbasis vektor. Model LLM yang digunakan adalah Llama-3.3-70B-Instruct, yang telah ditingkatkan kemampuannya dengan menambahkan informasi relevan melalui pencarian semantik terhadap knowledge base yang disimpan dalam vector storage berupa FAISS. Dengan pendekatan ini, chatbot mampu memberikan jawaban berbasis data aktual tanpa perlu melakukan fine-tuning, serta meminimalkan munculnya jawaban yang bersifat asumsi atau spekulatif. Hasil implementasi sistem menunjukkan bahwa integrasi LLM dan RAG dapat meningkatkan efisiensi layanan pelanggan dalam platform e-commerce. Hal ini dibuktikan melalui evaluasi mengunakan performance metrics dengan hasil skor metrik yang cukup tinggi, sehingga menunjukkan bahwa chatbot mampu memberikan jawaban yang akurat dan relevan sesuai kebutuhan pengguna.
Kata kunci — e-commerce, chatbot, Large Language Model, Retrieval-Augmented Generation, LLaMA, FAISS
References
K. I. Roumeliotis, N. D. Tselikas, and D. K. Nasiopoulos, “LLMs in e-commerce: A comparative analysis of GPT and LLaMA models in product review evaluation,” Natural Language Processing Journal, vol. 6, p. 100056, Mar. 2024, doi: 10.1016/j.nlp.2024.100056.
S. Angelov and M. Lazarova, “E-commerce distributed chatbot system,” in ACM International Conference Proceeding Series, Association for Computing Machinery, Sep. 2019. doi: 10.1145/3351556.3351587.
S. Kant Ojha, A. Kumar, T. Bhole, and S. Naaz, “Rule-based A.I. chatbot,” International Journal of Research & Technology, vol. 11, Oct. 2024.
J. B. Adelusi, “Hybrid Rule-Based and Machine Learning Chatbots,” Research Gate, Aug. 2021, [Online]. Available: https://www.researchgate.net/publication/387669510
M. M. Khan, “Development of An e-commerce Sales Chatbot,” in HONET 2020 - IEEE 17th International Conference on Smart Communities: Improving Quality of Life using ICT, IoT and AI, Institute of Electrical and Electronics Engineers Inc., Dec. 2020, pp. 173–176. doi: 10.1109/HONET50430.2020.9322667.
J. Yun and J. Park, “The Effects of Chatbot Service Recovery With Emotion Words on Customer Satisfaction, Repurchase Intention, and Positive Word-Of-Mouth,” Front Psychol, vol. 13, May 2022, doi: 10.3389/fpsyg.2022.922503.
V. Oguntosin and A. Olomo, “Development of an E-Commerce Chatbot for a University Shopping Mall,” Applied Computational Intelligence and Soft Computing, vol. 2021, 2021, doi: 10.1155/2021/6630326.
H. Naveed et al., “A Comprehensive Overview of Large Language Models,” Oct. 2024, [Online]. Available: http://arxiv.org/abs/2307.06435
D. Venkatachalam, J. Sreerama, S. Analytics, and U. Rajalakshmi Soundarapandiyan, “Large Language Models in Retail: Best Practices for Training, Personalization, and Real-Time Customer Interaction in E-Commerce Platforms,” Journal of Artificial Intelligence Research and Applications, vol. 4, Jun. 2024.
J. Swacha and M. Gracel, “Retrieval-Augmented Generation (RAG) Chatbots for Education: A Survey of Applications,” Apr. 01, 2025, Multidisciplinary Digital Publishing Institute (MDPI). doi: 10.3390/app15084234.
P. Parmar, “Semantic Search and Question-Answering Systems,” Indian Institute of Science Education and Research Pune, 2023.
M. Douze et al., “The Faiss library,” Feb. 2025, [Online]. Available: http://arxiv.org/abs/2401.08281
