🧑‍🎤 Apa Itu Guardian Dan Watson

Apa itu guardian? guardian adalah kata yang memiliki artinya, silahkan ke tabel berikut untuk penjelasan apa arti makna dan maksudnya. Pengertian guardian adalah Subjek Definisi BPK Badan Pemeriksa Keuangan ? guardian ing, – pengampu; wali; yang menjadi wali/wakil, curator bld pengampu; wali; guardian; curator; istri yang ditinggal mati suaminya dalam keadaan hamil setelah dipanggil/diperiksa oleh yang kompeten, maka Balai Harta Peninggalan kantor Wees Kamer dapat menjadi pengampu si istri tadi demi untuk menyelamatkan, megurus harta kekayaan untuk kepentingan si anak dikemudian hari [vide KUH Pdt Psl. 348]; Curator atau pengampu dari seorang gila bila mana si gila itu melakukan perbuatan yang menimbulkan akibat hukum si curator dapat dituntut membayar ganti rugi dan lain sebagainya [vide RIB Psl. 3 bg]. Definisi ? Loading data ~~~~ 5 - 10 detik semoga dapat membantu walau kurangnya jawaban pengertian lengkap untuk menyatakan artinya. pada postingan di atas pengertian dari kata “guardian” berasal dari beberapa sumber, bahasa, dan website di internet yang dapat anda lihat di bagian menu sumber. Istilah Umum Istilah pada bidang apa makna yang terkandung arti kata guardian artinya apaan sih? apa maksud perkataan guardian apa terjemahan dalam bahasa Indonesia

Amanuntuk menganggap Emma Watson tahu satu atau dua hal tentang belajar yang produktif. Pada Mei 2014, setelah belajar di Brown University di AS dan Oxford University di Inggris, ia lulus dari Brown dengan gelar sarjana dalam Sastra Inggris. Menghormati.

Dalam makalah ini disampaikan sebuah hasil penelitian dengan memanfaatkan teknologi dari IBM, yaitu Watson Assistant. Watson Assistant digunakan untuk membuat chatbot terkait proses akademik. Analisis dan pengumpulan data dilakukan dengan berbasiskan skenario. Data-data tersebut dibuat ke dalam sebuah graph search. Watson Assistant akan menentukan node dengan nilai kepercayaan tertinggi untuk diberikan sebagai jawaban. Skenario percakapan yang ditanamkan dalam chatbot ini telah diimplementasikan ke dalam bentuk laman web, Facebook Messenger, dan Slack untuk membantu interaksi antara pihak fakultas dengan mahasiswa. Chatbot berperan pula sebagai sistem pendamping forum tanya jawab di dalam course learning system CLS untuk pertanyaan-pertanyaan rutin. Berdasarkan hasil uji coba, chatbot berbasis skenario telah dapat menjawab kebutuhan dasar mahasiswa untuk bertanya seputar hal akademis, sebagaimana tercantum dalam buku panduan, khususnya untuk proses perwalian dan deskripsi mata kuliah. Discover the world's research25+ million members160+ million publication billion citationsJoin for free JEPIN Jurnal Edukasi dan Penelitian Informatika ISSNe 2548-9364 / ISSNp 2460-0741 Vol. 6 No. 2 Agustus 2020 Submitted 23-05-2020; Revised 19-07-2020; Accepted 21-07-2020 Implementasi Sistem Tanya Jawab Berbasis Skenario untuk Mendukung Proses Akademik dengan IBM Watson Assistant Bryan Wijaya1, Hapnes Toba2 Fakultas Teknologi Informasi, Universitas Kristen Maranatha Jl. Suria Sumantri No. 65 Bandung 40164, Jawa Barat, Indonesia 2hapnestoba Abstrak— Dalam makalah ini disampaikan sebuah hasil penelitian dengan memanfaatkan teknologi dari IBM, yaitu Watson Assistant. Watson Assistant digunakan untuk membuat chatbot terkait proses akademik. Analisis dan pengumpulan data dilakukan dengan berbasiskan skenario. Data-data tersebut dibuat ke dalam sebuah graph search. Watson Assistant akan menentukan node dengan nilai kepercayaan tertinggi untuk diberikan sebagai jawaban. Skenario percakapan yang ditanamkan dalam chatbot ini telah diimplementasikan ke dalam bentuk laman web, Facebook Messenger, dan Slack untuk membantu interaksi antara pihak fakultas dengan mahasiswa. Chatbot berperan pula sebagai sistem pendamping forum tanya jawab di dalam course learning system CLS untuk pertanyaan-pertanyaan rutin. Berdasarkan hasil uji coba, chatbot berbasis skenario telah dapat menjawab kebutuhan dasar mahasiswa untuk bertanya seputar hal akademis, sebagaimana tercantum dalam buku panduan, khususnya untuk proses perwalian dan deskripsi mata kuliah. Kata kunci— belief engine, chatbot, google translate, sistem tanya jawab, watson assistant Abstract— Watson Assistant is a technology offered by IBM which could be implemented as chatbot to answer questions from users. Watson Assistant requires data in its learning. The data processing is based on scenarios. The data is stored into nodes in the form of assertion graph. In every node the value of confidence will be calculated, therefore Watson Assistant will determine the highest value of confidence to be given as an answer. Our research has successfully implemented the integration of Watson Assistant in the faculty website, Facebook Messenger, and Slack to support students’ activities, especially in academic processes. The chatbot has also shown its ability as a supporting tool for the regular forum question answering activities in course learning system CLS. Keywords— belief engine, chatbot, google translate, question answering system, watson assistant I. PENDAHULUAN Proses akademik terkadang menjadi sebuah hal yang cukup kompleks bagi beberapa mahasiswa/i, contohnya pada saat perwalian. Seringkali pada saat mahasiswa/i tersebut membutuhkan arahan dari dosen terdapat beberapa kendala. Misalnya, ketika mahasiswa/i ingin memperoleh panduan mata kuliah yang harus diambil dalam perencanaan studi dan dosen sedang tidak berada di tempat, maka informasi tidak dapat diperoleh secara cepat dan menghambat proses selanjutnya. Di sisi lain, berbagai perkembangan ilmu dan teknologi menghadirkan berbagai alternatif baru yang memungkinkan kemudahan dalam berinteraksi [1]. Salah satunya adalah alternatif untuk mengotomatiskan sebuah proses percakapan sehingga dapat mempercepat kinerja [2]. Terkait dengan hal itulah maka dalam penelitian ini diangkat sebuah rumusan masalah, yaitu bagaimana menghasilkan sebuah sistem yang dapat menjawab pertanyaan-pertanyaan mendasar dari mahasiswa/i untuk mendukung proses akademik secara cepat dan tepat. Tujuan utama dari penelitian ini adalah menghasilkan sistem yang memungkinkan interaksi secara otomatis antara mahasiswa/i dengan pihak fakultas dalam menemukan informasi terkait proses akademik. Otomatisasi dilakukan melalui percakapan berbasis skenario dengan dukungan teknologi Watson Assistant dari IBM. II. KAJIAN LITERATUR A. IBM Watson & IBM Watson Services IBM Watson adalah sistem komputer yang menerapkan pemrosesan bahasa alami dan konten yang bagus dalam kompetisi sehingga cukup cepat untuk bersaing dan bahkan dapat menang melawan manusia dalam kontes Jeopardy [1]. IBM telah menyediakan sebuah layanan bagi pengguna sehingga dimungkinkan untuk membuat sistem interaksi JEPIN Jurnal Edukasi dan Penelitian Informatika, Vol. 6, No. 2, Agustus 2020 Korespondensi Hapnes Toba percakapan secara otomatis dengan menggunakan IBM Watson Conversation Service. Dengan layanan ini perangkat lunak dapat diarahkan untuk mengerti masukan dalam bahasa alami dan berkomunikasi dengan pengguna seperti halnya percakapan antar manusia. Conversation Service sangat bergantung pada proses pembelajaran mesin untuk merespons pengguna dalam mensimulasikan percakapan antar manusia. Melalui layanan ini beberapa perusahaan besar telah memanfaatkan IBM Watson dalam proses interaksi dengan para pelanggannya, seperti misalnya Coca-Cola, Thomson Reuters, dan Honda [2]. B. Watson Assistant Watson Assistant adalah perangkat yang ditawarkan oleh IBM Watson untuk membuat antarmuka pengguna berupa percakapan ke dalam aplikasi ataupun media lainnya. Watson Assistant menggunakan belief computation untuk menentukan keputusan dalam sebuah assertion graph. Watson Assistant dapat mencari beberapa jalur sekaligus dengan melihat probabilitas dari setiap jalur dalam assertion graph [3], [4], [5]. Bentuk visualisasi assertion graph tergambar seperti pada Gambar 1. Visualisasi assertion graph pada Gambar 1 menjelaskan mengenai skenario perwalian yang diajukan oleh seorang mahasiswa. Pada skenario awal dicontohkan seorang mahasiswa membutuhkan bantuan dalam perwalian dan menanyakan kepada sistem “I need help with a guidance, can you help me?”. Sistem akan memberikan respons dengan menanyakan kepada pengguna berada di program studi apa, untuk kemudian diarahkan pada program studi yang sesuai. Setelah itu, sistem akan menanyakan kepada pengguna ada di semester berapakah dia sekarang, untuk menentukan semester. Hal ini dilakukan untuk mengarahkan hipotesis yang pengguna butuhkan. Dalam kasus ini pengguna membutuhkan daftar mata kuliah semester 4 semester selanjutnya pada saat perwalian sebagai domain skenario pengetahuan. Terkait dengan pengembangan skenario dalam assertion graph, terdapat beberapa sub-komponen untuk mendukung pembentukan hipotesis dalam sistem, yaitu  Node sebuah simpul yang menjadi penghubung / koneksi dalam rangkaian dialog.  Intent dalam Watson Assistant digunakan untuk menentukan niat atau tujuan yang ingin dicapai.  Entity dalam Watson Assistant digunakan untuk menentukan hipotesis jawaban dan dapat pula menyimpan pengetahuan yang dibutuhkan oleh chatbot sebelum menjawab pertanyaan. Gambar. 1 Contoh assertion graph pada watson assistant C. Belief Engine Salah satu pendekatan untuk menentukan keputusan dari beberapa alternatif hipotesis dalam assertion graph adalah probabilistic inference melalui sebuah graphical model [3]. Watson Assistant merujuk ke komponen ini sebagai belief engine. Meskipun tujuan utama dari mesin ini adalah untuk menyimpulkan kepercayaan terhadap hipotesis, tetapi juga memiliki tujuan sekunder yaitu untuk menyimpulkan kepercayaan pada simpul yang tidak diketahui yang juga bukan hipotesis. Belief engine perlu memberikan nilai kepercayaan pada setiap simpul, bukan hanya hipotesis. Setiap node mewakili pernyataan, jadi bisa salah satu dari dua pernyataan benar atau salah. Sebuah graphical model dengan node sejumlah k, dapat memberikan kombinasi 2k kemungkinan pernyataan. Inferensi probabilistik pada graf akan digunakan untuk menentukan besar nilai kemungkinan dari masing-masing pernyataan tersebut. Belief engine menggunakan nilai kemungkinan ini untuk menghitung probabilitas marjinal pada setiap node yang berpotensi benar. Probabilitas marjinal inilah yang kemudian dianggap sebagai nilai kepercayaan. JEPIN Jurnal Edukasi dan Penelitian Informatika, Vol. 6, No. 2, Agustus 2020 Korespondensi Hapnes Toba Gambar. 2 Contoh Belief Engine dalam Pembentukan Hipotesis Skenario Sebagai contoh, visualisasi belief engine pada Gambar 2 menjelaskan mengenai pembayaran yang memiliki 2 metode pembayaran. Jika pengguna memasukkan jawaban terhadap pertanyaan pembayaran, maka belief engine tersebut akan menghitung nilai kepercayaan terhadap setiap node yang ada. Node dengan nilai kepercayaan tertinggi akan menjadi jawaban selanjutnya dari sistem. Jika terdapat lebih dari sebuah parent node maka perhitungan nilai kepercayaan dapat menggunakan kombinasi dari noisy-OR dengan menggunakan formula 1 [3]. Dalam formula 1 dapat dilihat bahwa nilai probabilistik sebuah node dihitung dengan mengambil nilai “bersih” setelah probabilistik sebuah node dikurangi dengan hasil perkalian seluruh node yang terkait sebelumnya chain rule. … 1 Dengan  himpunan node yang terhubung    hasil agregasi perkalian antara himpunan node yang terhubung   nilai probabilitas marjinal Probabilitas dari masing-masing node dapat dihitung menggunakan formula 2. Sebagai contoh pada kasus yang terdapat pada Gambar 2, parent node hanya terdapat 1. Maka nilai r adalah 1-1-1, r = 1. Jika nilai kepercayaan 1 adalah dan nilai kepercayaan 2 adalah maka nilai probabilitas untuk menjawab BCA adalah * 1 = dan BNI adalah * 1 = Untuk menghitung probabilitas pada node Virtual Account dan Transfer, nilai r haruslah dihitung berdasarkan aturan Bayesian Chain Rule [3]. Dengan demikian, nilai r untuk Virtual Account adalah 1- * = … 2 Dengan   Bayesian chain rule untuk node x dengan diketahui node R dan Q yang terhubung dengan x    nilai probabilitas marjinal seperti pada formula 1 D. Respons Watson Assistant Respons yang diberikan oleh Watson Assistant disampaikan dalam bentuk JSON. Terdapat beberapa atribut penting dalam struktur JSON tersebut. Pertama adalah “output” memiliki empat sub-atribut lainnya, yaitu “generic”, “debug”,”intents”, dan “entities” lihat Gambar 3. Sebelum dapat membuka sub-elemen diperlukan akses terhadap “output” terlebih dahulu. Di dalam atribut “generic” terdapat dua atribut terkait yaitu “response_type” dan “text”. “Response_type” digunakan untuk mengetahui bentuk respons apa yang diberikan. Atribut “text” digunakan untuk mengetahui isi dari responsnya dapat dilihat dalam Gambar 4, yang akan diakses untuk mendapatkan jawaban dari Watson Assistant. Ketiga atribut lain “debug”, “intents”, dan “entities” digunakan untuk pengembangan dalam mencari dan mengurangi “bug”. “Debug” dapat digunakan untuk melihat node apa yang dikunjungi. Atribut “intents” dapat digunakan untuk melihat perhitungan nilai kepercayaan terhadap intents dan intent apa yang dipilih oleh Watson Assistant. Atribut “entitites” digunakan untuk melihat entitiy apa yang masuk atau yang terbaca oleh Watson Assistant. Gambar. 3 Respons dari Watson Assistant melalui Application Programming Interface API E. Korelasi Watson Assistant dengan Sistem Pakar Menurut definisinya, sebuah sistem pakar dapat dinyatakan sebagai sebuah sistem yang mampu memberikan solusi untuk sebuah permasalahan tertentu ataupun untuk memberikan saran yang disusun berdasarkan pengetahuan para ahli dalam bidangnya [6]. Pada dasarnya Watson Assistant sudah menyediakan layanan tersebut melalui mekanisme tanya jawab sehingga dapat memberikan arahan untuk kebutuhan pengguna berdasarkan data yang sudah dipersiapkan, dan dengan demikian dapat dianalogikan sebagai sebuah sistem pakar. JEPIN Jurnal Edukasi dan Penelitian Informatika, Vol. 6, No. 2, Agustus 2020 Korespondensi Hapnes Toba Secara umum sebuah sistem pakar tersusun atas komponen antarmuka sistem untuk berinteraksi, mesin inferensi, dan sumber pengetahuan. Di dalam Watson Assistant, terdapat antarmuka sistem yang dapat digunakan oleh pengguna, serta untuk terhubung dengan dengan sistem-sistem pihak ketiga. Adapun mesin inferensi yang digunakan dalam Watson Assistant diwujudkan melalui belief engine, dengan sumber pengetahuan yang dibentuk melalui struktur assertion graph. F. Chatbot Teknologi chatbot sangat berkembang pesat dalam beberapa tahun terakhir ini. Misalnya dalam sistem Alexa dapat mematikan lampu rumah hanya dengan cara kita memerintahnya melalui suara. Dalam kasus chatbot, dengan diluncurkannya bot pada platform seperti pada Slack ataupun Facebook Messenger dapat membuat pertumbuhan pembuatan bot menjadi lebih cepat [7]. Dengan perkembangan pesat perangkat teknologi informasi, chatbot dapat diarahkan untuk memberikan layanan asistensi kepada pengguna. Misalnya chatbot dapat digunakan untuk memberikan layanan customer service 24 jam, yang biasa dilakukan oleh manusia dalam waktu terbatas. Chatbot dapat pula menjadi pendukung layanan Frequently Ask Questions FAQ untuk mendapatkan kandidat-kandidat jawaban terbaik [5]. Dalam penelitian yang dibahas dalam makalah ini, chatbot digunakan sebagai penyedia informasi dan melengkapi buku panduan akademik. Dengan penetrasi sosial media dan konektifitas dari internet disertai dengan kemajuan dalam pemrosesan bahasa alami serta kecerdasan buatan, chatbot diharapkan dapat mendominasi pasar. Seorang developer perlu untuk memahami apa yang chatbot dapat tawarkan dan kategori apa yang masuk ke dalam chatbot tersebut. Pengetahuan tersebut dapat membantu dalam memilih algoritma atau platform dan alat yang tepat dalam membuat chatbot [7]. Gambar. 4 Respons dari Watson berisi konten jawaban Gambar. 5 Integrasi Chatbot Facebook Messanger dan Watson Gambar 5 menunjukan sebuah contoh percakapan melalui chatbot untuk menjelaskan proses pembayaran melalui ATM. Dapat dilihat pula dalam Gambar 5 tersebut bahwa chatbot tersebut - yang sudah diimplementasikan menggunakan Watson Assistant - dapat terintegrasi dengan Facebook Messenger. Sebagai sapaan awal dalam percakapan tersebut, seorang pengguna dengan warna biru memberikan salam JEPIN Jurnal Edukasi dan Penelitian Informatika, Vol. 6, No. 2, Agustus 2020 Korespondensi Hapnes Toba “Hellow”. Chatbot langsung memberi tanggapan dengan memberikan salam “Hello. How can I help you?”. III. ANALISIS & RANCANGAN SISTEM TANYA JAWAB A. Metodologi Secara garis besar metode kerja yang akan dilakukan dalam penelitian ini tergambarkan dalam bentuk skema seperti pada Gambar 6. 1. Dalam tahapan menganalis skenario terdapat beberapa bagian, yaitu  Memahami kebutuhan yang diperlukan. Dalam konteks ini, peneliti menentukan kebutuhan mahasiswa/i, misalnya mengenai proses akademik yang akan diimplementasikan ke dalam sistem.  Mengumpulkan informasi yang relevan dan merancang skenario terkait kebutuhan tersebut. 2. Dalam tahapan memasukkan skenario ke dalam graph terdapat beberapa bagian, yaitu  Setelah skenario dianggap telah mewakili kebutuhan, maka skenario tersebut dimasukkan ke dalam graph pada engine yang terdapat dalam IBM Watson. Menjadikan skenario-skenario tersebut menjadi node-node pada graph tersebut.3. Dalam tahapan melatih sistem terdapat beberapa bagian, yaitu  Melatih dengan memberikan pertanyaan-pertanyaan yang sudah ada maupun yang belum ada dalam skenario agar melihat hasil yang diberikan sesuai atau tidak. Jika sudah dirasa cukup, chatbot kemudian di- deploy ke dalam laman web, sehingga kemudian dapat diuji coba oleh pengguna.4. Jika dirasa masih terdapat kekurangan maka rangkaian proses ini dapat dilakukan kembali dari awal. Gambar. 6 Metode kerja pengembangan sistem tanya jawab B. Perancangan Skenario Sistem Tanya Jawab Adapun perancangan skenario uji coba dalam penelitian ini disampaikan pada Tabel 1. Level 1 digunakan oleh skenario untuk pertanyaan-pertanyaan yang dianggap paling umum, disebut pula sebagai domain deskriptif. Level 2 dan 3 digunakan oleh skenario yang bersifat prosedural. Penting untuk diketahui pula bahwa level di dalam Watson Assistant tidak dibatasi dan dapat dikembangkan sesuai kebutuhan skenario. TABEL I CONTOH SKENARIO SISTEM C. Perancangan Pemanfaatan Sistem Perancangan pemanfaatan sistem tergambar dengan use case diagram seperti pada Gambar 7. Di dalam sistem terdapat setidaknya 2 aktor, yaitu pengguna mahasiswa dan dosen, serta administrator. Pengguna inilah yang dapat melakukan komunikasi dengan menggunakan skenario pada bot. D. Sequence Diagram dalam Pengetikan Pertanyaan dan Melihat Jawaban Perancangan sequence diagram dari use case dapat dilihat pada Gambar 8. Seorang admin / pengguna mengajukan pertanyaan dalam bahasa Inggris ataupun dalam bahasa Indonesia penerjemahan dilakukan di dalam sistem melalui tempat percakapan yang telah tersedia. Data pernyataan tersebut akan diteruskan kepada mesin Watson Assistant dan ditelusuri di dalam graph menggunakan belief engine yang sudah dijelaskan pada bagian sebelumnya. Setelah mendapat jawaban, jawaban terbaik menurut sistem akan dikirimkan kepada pengguna. Komunikasi akan terus berlangsung hingga admin / pengguna selesai mengajukan pertanyaan. Dalam use case pada Gambar 7, terdapat case untuk menerjemahkan bahasa yang dilakukan oleh sistem Google Translate, sebagai salah satu sistem penerjemah bahasa dengan performa baik saat ini [8]-[9]. Terdapat pula case untuk menghitung nilai kepercayaan yang dilakukan oleh Watson Assistant. Watson Assistant akan menerima “message” atau dalam prakteknya adalah pertanyaan dari pengguna. Mesin pencari dalam Watson Assistant belief engine akan mencari apakah ada intents atau entities yang dituju. Jika ada, maka akan mencari dialog yang sesuai dengan intents atau entities tersebut dan kemudian memberikan jawaban kembali. Jika tidak ada kandidat jawaban terbaik, maka akan mengembalikan jawaban default sesuai jalur atau skenario yang telah dimasukkan sebelumnya. Ekosistem IBM Watson menyediakan layanan untuk penerjemahan bahasa menggunakan Language Translator namun pada saat pembuatan riset ini masih belum menyediakan penerjemahan langsung ke dalam Bahasa Indonesia. Oleh sebab itu, mesin penerjemah yang akan digunakan adalah Google Translate. Google Translate dapat dapat digunakan melalui Google Cloud Platform. Terdapat pula alternatif lain, yaitu dengan mengunduh library berkode sumber terbuka, seperti misalnya pustaka “PHP Google Translate Free” [10]. Membuat skenarioMemasukkan skenario ke dalam graphMelatih sistem JEPIN Jurnal Edukasi dan Penelitian Informatika, Vol. 6, No. 2, Agustus 2020 Korespondensi Hapnes Toba Gambar. 7 Perancangan Use Case Integrasi Aplikasi Web dan Chatbot Watson Assistant Gambar. 8 Sequence Diagram Pemanfaatan Sistem Secara KeseluruhanIV. IMPLEMENTASI A. Garis Besar Pemanfaatan Teknologi Secara garis besar unsur-unsur teknologi yang digunakan dalam implementasi chatbot ini tergambarkan dalam bentuk diagram seperti pada Gambar 9. Knowledge adalah pengetahuan mengenai data yang diperlukan untuk menjawab pertanyaan yang ada. Backend adalah lokasi penyimpanan data yang tidak dapat diakses langsung oleh pengguna. Middleware adalah sebuah perangkat lunak yang terdapat pada aplikasi yang memiliki tujuan tertentu dan bekerja secara tersembunyi. User interface adalah perangkat lunak yang dapat diakses langsung oleh pengguna. B. Skenario Uji coba skenario dalam penelitian ini dilakukan dengan memetakan buku panduan akademik mahasiswa ke dalam sebuah rangkaian skenario. Rangkaian skenario dibutuhkan untuk menentukan alur percakapan di dalam Watson Assistant. Skenario dibuat untuk pengguna chatbot agar mendapatkan jawaban yang mereka butuhkan. Sebagai contoh pada kasus seperti Gambar 10, pengguna ingin mengetahui penjelasan mengenai mata kuliah Pemograman Game 2D. JEPIN Jurnal Edukasi dan Penelitian Informatika, Vol. 6, No. 2, Agustus 2020 Korespondensi Hapnes Toba Kasus seperti dalam Gambar 10 adalah salah satu kasus yang mudah untuk dideteksi oleh chatbot karena langsung menuju inti pertanyaan. Namun pada kenyataan sehari-hari percakapan tidak berjalan seperti pada kasus tersebut. Oleh karena itu, diperlukan engine Watson Assistant untuk memudahkan dalam melakukan pencarian dalam struktur data graph yang sudah dijelaskan pada bagian Kajian Literatur. Sebagai contoh percakapan yang tidak langsung menuju pada inti pertanyaan terlihat pada Gambar 11. Gambar. 9 Pemanfaatan teknologi dalam sistem yang dikembangkan Gambar. 10 Contoh skenario dengan penjelasan mata kuliah dengan hasil penerjemahan Google Translate Skenario dibuat untuk pengguna chatbot agar mendapatkan jawaban yang mereka butuhkan. Sebagai contoh pada kasus seperti Gambar 10, pengguna ingin mengetahui penjelasan mengenai mata kuliah Pemograman Game 2D. Kasus seperti dalam Gambar 10 adalah salah satu kasus yang mudah untuk dideteksi oleh chatbot karena langsung menuju inti pertanyaan. Namun pada kenyataan sehari-hari percakapan tidak berjalan seperti pada kasus tersebut. Oleh karena itu, diperlukan engine Watson Assistant untuk memudahkan dalam melakukan pencarian dalam struktur data graph yang sudah dijelaskan pada bagian Kajian Literatur. Sebagai contoh percakapan yang tidak langsung menuju pada inti pertanyaan terlihat pada Gambar 11. Gambar. 11 Contoh Skenario yang memerlukan perhitungan Belief Engine C. Pengembangan Aplikasi Chatbot IBM Watson tidak dapat menyimpan Knowledge dalam Bahasa Indonesia, oleh karena itu pada laman web diimplementasikan “Google Translate” sebagai penterjemah dari Bahasa Indonesia ke dalam bahasa Inggris dan sebaliknya. Deployment chatbot dapat dilakukan ke dalam beberapa platform yang sudah bekerja sama dengan IBM. Beberapa diantaranya adalah Facebook Messenger, Slack, dan juga dapat diimplementasikan ke dalam laman web yang dibuat sendiri dengan memanfaatkan API. V. PENGUJIAN Pengujian sistem tanya jawab dilakukan dalam beberapa skenario, yang mencakup pada pengujian domain deskriptif dan prosedural, pengujian terhadap skenario negatif penyangkalan, penelusuran node, pengujian terhadap hasil penerjemahan, pengujian hasil pembelajaran dalam belief engine, dan pengujian assertion graph. Pengujian dilakukan dengan cara memasukkan percakapan menggunakan aplikasi “Postman” untuk dapat melihat respons dalam bentuk JSON JavaScript Object Notation [11]. Bentuk respons terlihat seperti pada Gambar 3 dan 4. Pengujian dilakukan untuk menguji dialog JEPIN Jurnal Edukasi dan Penelitian Informatika, Vol. 6, No. 2, Agustus 2020 Korespondensi Hapnes Toba dengan domain yang bersifat deskriptif dan prosedural. Pengujian juga dilakukan guna untuk mendapatkan kandidat jawaban berkualitas yang diharapkan. Pengujian berikutnya dilakukan terhadap dialog dengan intents dan entities yang sudah dipersiapkan sebelumnya, dengan harapan bahwa intent dan entity yang ditelusuri oleh Watson Assistant sesuai dengan skenario yang ditanamkan. A. Domain Deskriptif Pengujian domain deskriptif ditujukan untuk melihat berapakah nilai kepercayaan yang dihasilkan oleh Watson-assistant pada tiap-tiap node yang diuji [12]. Berikut ini adalah skenario percakapan dalam uji coba mulai dari tahap penyapaan sampai, memberikan informasi tentang deskripsi mata kuliah, dan penutup percakapan. 1. Skenario Menyapa dan mengaktifkan bot. => Masukan hai => Intent yang diharapkan General_greetings => Intent yang sesungguhnya General_greetings => Nilai kepercayaan 2. Skenario Mengetahui kemampuan bot. => Masukan What is your ability? => Intent yang diharapkan Ability => Intent yang sesungguhnya Ability => Nilai kepercayaan 1 3. Skenario Mengetahui deskripsi perkuliahan. => Masukan Can you explain me about basic programming? => Intent yang diharapkan Basic_programming => Intent yang sesungguhnya Basic_programming => Nilai kepercayaan 4. Skenario Mengetahui deskripsi perkuliahan. => Masukan What do you know about 2d game prog? => Intent yang diharapkan 2d_game_programming => Intent yang sesungguhnya 2d_game_programming => Nilai kepercayaan 5. Skenario Mengetahui informasi umum fakultas => Masukan Can you tell me the history of our faculty? => Intent yang diharapkan History_faculty => Intent yang sesungguhnya History_faculty => Nilai kepercayaan 1 6. Skenario Mengetahui informasi umum fakultas => Masukan Can you tell me the mission of our faculty? => Intent yang diharapkan Mission_faculty => Intent yang sesungguhnya Mission_faculty => Nilai kepercayaan 7. Skenario Mengetahui informasi umum fakultas => Masukan What is the vision of our faculty? => Intent yang diharapkan Vision_faculty => Intent yang sesungguhnya Vision_faculty => Nilai kepercayaan 8. Skenario Mengetahui dosen dan struktur organisasi => Masukan Can you tell me the complete organization structure in our faculty? => Intent yang diharapkan Organization_structure => Intent yang sesungguhnya Organization_structure => Nilai kepercayaan 9. Skenario Mengetahui dosen dan struktur organisasi => Masukan Can you show me the leaders in our faculty? => Intent yang diharapkan Structural_lecturer => Intent yang sesungguhnya Structural_lecturer => Nilai kepercayaan 10. Skenario Penutupan => Masukan Thank you => Intent yang diharapkan General_positive_feedback => Intent yang sesungguhnya General_positive_feedback => Nilai kepercayaan 1 B. Domain Prosedural Pengujian domain prosedural ditujukan untuk melihat kesinambungan antara setiap node yang diuji [12]. Selain itu, ditujukan juga untuk melihat apakah pengaruh dari node parent terhadap skenario untuk tingkatan di bawahnya. Berikut ini adalah sebuah contoh skenario tanya-jawab persiapan mahasiswa untuk proses perwalian. 1. Skenario Mengetahui cara pembayaran => Node Parent - => Masukan Can you help me with payment? => Intent yang diharapkan Payment => Intent yang sesungguhnya Payment => Nilai kepercayaan 1 2. Skenario Mengetahui cara pembayaran => Node Parent Payment => Masukan BCA => Intent yang diharapkan bca => Intent yang sesungguhnya bca => Nilai kepercayaan 3. Skenario Mengetahui cara pembayaran => Node Parent BCA => Masukan Virtual Account => Intent yang diharapkan virtual_account => Intent yang sesungguhnya virtual_account => Nilai kepercayaan 4. Skenario Mengetahui cara pembayaran => Node Parent Payment => Masukan BNI => Intent yang diharapkan bni => Intent yang sesungguhnya bni => Nilai kepercayaan 5. Skenario Mengetahui cara pembayaran => Node Parent Payment => Masukan Maybank => Intent yang diharapkan anything_else => Intent yang sesungguhnya - => Nilai kepercayaan Semua intents rendah. 6. Skenario Mengetahui perwalian / mata kuliah semester depan. => Node Parent - => Masukan Can you help me with guidance? => Intent yang diharapkan Guidance JEPIN Jurnal Edukasi dan Penelitian Informatika, Vol. 6, No. 2, Agustus 2020 Korespondensi Hapnes Toba => Intent yang sesungguhnya Guidance => Nilai kepercayaan 7. Skenario Mengetahui perwalian / mata kuliah per semester. => Node Parent Guidance => Masukan Informatics Engineering => Intent yang diharapkan InformationEngineering => Intent yang sesungguhnya InformationEngineering => Nilai kepercayaan 8. Skenario Mengetahui perwalian / mata kuliah per semester. => Node Parent Information Engineering => Masukan semester 3 => Intent yang diharapkan Semester3 => Intent yang sesungguhnya Semester3 => Nilai kepercayaan C. Skenario Penyangkalan Untuk melakukan pengujian ini, dirancanglah dialog khusus skenario pembayaran pada Gambar 12. Pengujian dilakukan dengan tujuan apakah Watson Assistant mampu menentukan sebuah nilai sebagai node negatif. Gambar. 12 Contoh skenario penyangkalan Contoh pengujian dilakukan dengan memasukkan jawaban “I use BCA”, pada saat chatbot bertanya bank apa yang digunakan. Pada Gambar 13 terlihat bahwa entity yang dituju adalah “bank” dengan value “BCA”. Sedangkan dalam Gambar 12, terlihat bahwa kondisi yang dibuat pada node anak pertama dari node payment adalah jika “bank != “BCA”, yang bila diterjemahkan ke dalam bahasa alamiah adalah jika entity dari “bank” bukan “BCA”. Gambar. 13 Respons terhadap penyangkalan Adapun masukan dari pengguna menunjukan bahwa entity dari “bank” sekarang adalah “BCA”. Maka dari itu, kondisi pada node pertama menjadi tidak terpenuhi. Jika dimasukkan nilai selain daripada “BCA” maka node yang akan dikunjungi adalah node pertama yaitu node “Bank BCA”. D. Penelusuran Node Pengujian ini dilakukan untuk memperlihatkan metode temu balik pada Watson Assistant adalah dengan menggunakan metode BFS Breadth-First Search. Pengujian ini dilakukan dengan melakukan pengamatan terhadap jawaban dari Watson Assistant melalui penelusuran node [13]. Dengan menggunakan skenario percakapan seperti pada Gambar 12, dapat direpresentasikan ke dalam bentuk graph seperti pada Gambar 14. Gambar. 14 Pembentukan node untuk skenario pada gambar 12 Metode BFS melakukan pencarian dengan cara traversing node dari root node jika pada Gambar 14 adalah payment lalu akan mengunjungi node “tetangga” dari payment. Node “tetangga” itu berarti node yang berada sejajar atau 1 level dengan node tersebut pada kasus ini payment tidak memiliki node “tetangga” maka dari itu metode BFS akan mencari ke child node dari payment. Node payment memiliki 3 child node yaitu Bank BCA, Bank BNI dan Bank mandiri. Metode BFS akan mengunjungi node dari node awal atau paling kiri hingga node akhir atau paling kanan. Hal ini terbukti dalam penggambaran hasil jawaban pada Gambar 13, bahwa jika pengguna memasukkan value BCA maka Watson Assistant akan masuk ke dalam node “tetangganya” yaitu Bank BNI. JEPIN Jurnal Edukasi dan Penelitian Informatika, Vol. 6, No. 2, Agustus 2020 Korespondensi Hapnes Toba E. Hasil Penerjemahan Google Pengujian ini difokuskan untuk mengetahui apakah terjemahan yang dilakukan melalui pemanfaatan pustaka “PHP GoogleTranslate” sudah sesuai dengan yang diterjemahkan oleh Google Translate. Selain itu, pengujian ini juga dilakukan untuk melihat apakah Watson Assistant mampu memberikan jawaban yang sesuai jika pertanyaan yang dimasukkan pengguna dalam Bahasa Indonesia diterjemahkan terlebih dahulu ke dalam Bahasa Inggris oleh library tersebut. Pengujian ini akan memperlihatkan kalimat-kalimat dalam Bahasa Indonesia serta jawaban yang diberikan dari masing-masing mesin penerjemah. Berikut ini adalah beberapa contoh hasil penerjemahan untuk pertanyaan-pertanyaan uji coba 1. Saya ingin mengetahui pelajaran dasar pemograman. => I want to know the basic lessons of programming. 2. Bisa tolong jelaskan mengenai sejarah Fakultas Teknologi Informasi? => Could you please explain about the history of the Faculty of Information Technology? 3. Saya sekarang berada di semester 3. => I am now in semester 3. 4. Apakah anda mempunyai kontak dosen? => Do you have lecturer contacts? 5. Tolong bantu saya dalam perwalian. => Please help me in guardianship. 6. Semester 2. => 2nd semester. Berdasarkan pengujian penerjemahan yang dilakukan pada nomor 3 dan 6, terdapat perbedaan hasil. Dapat dilihat bahwa jika pengguna hanya memasukkan kata “2 semester” maka yang hasil terjemahannya jadi memiliki tambahan “nd” dibelakang angkanya. Kekurangan ini bukan hanya disebabkan oleh mesin penerjemah itu saja, melainkan hal ini bisa terjadi karena penggunaan entity. Suatu kata / kalimat akan dianggap sebagai sebagai entity jika kata tersebut memiliki ciri yang sesuai dengan entity yang dituju. Gambar. 15 Masukan awal dari pengguna F. Hasil Perhitungan dalam Belief Network Pembelajaran Watson Assistant dapat dilakukan dengan cara merubah intent atau memastikan kembali intent apa yang seharusnya dituju oleh Watson Assistant. Sebagai contoh dalam pengujian ini dibuatlah masukan awal dari pengguna pertama kali yang tidak terdapat secara spesifik dalam intent seperti dalam Gambar 15. Gambar. 16 Masukan selanjutnya dari pengguna Walaupun sudah sesuai dengan intent awal yang ingin dituju akan tetapi nilai kepercayaan dari Watson-assistant sangatlah kecil dibawah Maka dari itu, pembelajaran dapat dilakukan dengan memilih intent yang dituju’. Setelah History_Faculty dipilih kembali maka jika pengguna memasukkan kembali pertanyaan yang sama hasilnya akan seperti pada Gambar 16, dengan nilai keyakinan yang meningkat drastis dari menjadi G. Pengujian Assertion Graph Dalam pengujian ini akan menguji apakah assertion graph sudah berjalan pada skenario yang dibuat. Pengujian ini dilakukan dengan melihat apakah terdapat pengaruh dari pernyataan sebelumnya terhadap jawaban yang akan diberikan. Gambar. 17 Pengujian Assertion Graph dengan Entities dan Slots Dengan memanfaatkan entities jawaban yang diberikan oleh pengguna dapat disimpan. Sehingga jawaban tersebut nantinya dapat diperhitungkan sesuai dengan yang dibutuhkan. Dalam penyusunan dialog, pemanfaatan entitites dapat digunakan di dalam slots. Setiap slot akan menampung sebuah nilai dari entity tersebut dalam variabel yang dilambangkan dengan “$”. Pengujian ini dilakukan terhadap susunan dialog seperti pada Gambar 17. JEPIN Jurnal Edukasi dan Penelitian Informatika, Vol. 6, No. 2, Agustus 2020 Korespondensi Hapnes Toba Gambar. 18 Jawaban yang diharapkan dalam Assertion Graph Jawaban yang diharapkan sudah tersimpan dalam dialog seperti pada Gambar 18. Jawaban ini berdasarkan pengecekan terhadap variabel penampung yang diambil dari slots. Setiap nilai yang diharapkan akan dicocokkan apakah sudah sesuai atau belum sesuai dengan entities yang sudah dibuat. Gambar. 19 Contoh percakapan dalam pengujian Assertion Graph Dialog dengan slots seolah akan memaksa pengguna untuk memberikan jawaban yang diminta [14]. Jika pengguna tidak memberikan jawaban yang sesuai maka Watson Assistant akan memberikan pertanyaan yang sama terus menerus. Kondisi ini dapat memperlihatkan terjadinya assertion atau pengaruh dari jawaban sebelumnya. Gambar. 20 Contoh Intent dalam Bahasa Indonesia Setiap jawaban yang diberikan juga akan memiliki hasil yang berbeda. Jawaban yang diberikan berdasarkan graph yang sudah disusun untuk memenuhi setiap kondisi yang ada. Gambar 19 adalah contoh dari pengujian yang dilakukan, dengan jawaban yang sesuai graph untuk menampilkan jadwal bagi mahasiswa semester kedua. Gambar. 21 Contoh Entity dalam Bahasa Indonesia H. Pengujian Bahasa Indonesia Watson Assistant menyediakan modul khusus untuk sekitar 15 bahasa [1], diantaranya adalah Bahasa Inggris, Bahasa Jepang, dan Bahasa Arab. Namun, Bahasa Indonesia belum didukung secara khusus di dalam Watson Assistant. Oleh karena itu, perlu dilakukan pengujian untuk JEPIN Jurnal Edukasi dan Penelitian Informatika, Vol. 6, No. 2, Agustus 2020 Korespondensi Hapnes Toba melihat apakah Watson Assistant dapat menangani proses untuk bahasa yang belum didukung dalam modul khusus [15]. Diujicobakan sebuah intent dengan nama Perwalian sebagai skenario percakapan dalam Bahasa Indonesia seperti pada Gambar 20. Gambar. 22 Contoh dialog dalam Bahasa Indonesia Di samping itu, terdapat pula entity fakultas dengan konten dalam Bahasa Indonesia seperti pada Gambar 21. Berikutnya intent dan entity dalam Gambar 20 dan 21 digunakan pada dialog seperti pada Gambar 22, dengan pengaturan Watson Assistant yang sudah dipersiapkan semua dalam Bahasa Indonesia. Pengujian ini dilakukan dalam skenario “Try it out”. Terlihat pada Gambar 23 hasil percakapan yang dilakukan dengan memberikan pertanyaan “Bisa tolong saya mengenai perwalian?”, Watson Assistant menjawab sesuai dengan dialog yang sudah dipersiapkan yaitu dengan masuk ke dalam intent Perwalian. Gambar 24 menunjukkan nilai kepercayaan yang dihasilkan oleh Watson Assistant, Perwalian mendapatkan nilai Nilai tersebut termasuk tinggi dikarenakan pertanyaan yang diberikan tidak ada pada contoh pertanyaan dalam intent Perwalian. Namun dapat dilihat pula dalam Gambar 20 bahwa setiap contoh pertanyaan dalam intent tersebut mengandung kata perwalian, sehingga hasil perhitungan probabilitas dalam node tersebut tetap mendapatkan nilai yang tinggi. Melalui pengujian pada Gambar 20-24 diperlihatkan bahwa meskipun bahasa Indonesia tidak didukung secara penuh dalam Watson Assistant, tetap dapat disusun skenario tanya jawab dalam bahasa Indonesia. Syarat utama yang diperlukan adalah dibentuknya skenario dan alur percakapan sesuai dengan domain deskriptif dan prosedural yang diinginkan. Gambar. 23 Contoh percakapan dalam Bahasa Indonesia Gambar. 24 Nilai kepercayaan pada Perwalian. VI. KESIMPULAN Berdasarkan pada hasil pengujian dalam pengembangan chatbot yang dilakukan menggunakan Watson Assistant, dapat ditarik kesimpulan bahwa Watson Assistant dapat menyediakan kandidat-kandidat jawaban mengacu pada skenario yang telah dirancang sebelumnya. Watson Assistant terbukti mampu menjawab pertanyaan mahasiswa/i untuk beberapa topik umum yang ada di dalam buku panduan akademik. Layanan chatbot dengan menggunakan Watson Assistant dapat disediakan ke dalam beberapa platfom seperti Facebook Messenger, Slack ataupun pada aplikasi web mandiri. Selain itu, di dalam Watson Assistant juga dimungkinkan implementasi skenario dalam berbagai bahasa alami, meskipun tidak disediakan modul khusus untuk bahasa tersebut. Kondisi utama yang perlu diperhatikan untuk implementasi adalah terbentuknya skenario serta alur percakapan melalui domain deskriptif dan prosedural sesuai kebutuhan di lapangan. JEPIN Jurnal Edukasi dan Penelitian Informatika, Vol. 6, No. 2, Agustus 2020 Korespondensi Hapnes Toba Dalam kasus pembuatan skenario untuk membantu interaksi mahasiswa, didapati bahwa skenario yang dihasilkan sebagian besar merupakan skenario dengan domain deskriptif karena ditujukan untuk membuat penjelasan mata kuliah. Intent yang dibuat menjadi sangat banyak untuk dapat menangani setiap kasus mata kuliah dalam hal ini. Di sisi lain, Watson Assistant akan sangat baik digunakan untuk menangani kasus dengan domain prosedural dikarenakan tingkat kesulitan untuk penanganannya relatif lebih rendah pada domain ini. REFERENSI [1] D. Ferrucci, E. Brown, J. Chu-Carroll, J. Fan, D. Gondek, Kalyanpur, A. Lally, J. W. Murdock, E. Nyberg, J. Prager, N. Schlaefer, and C. Welty, “Building Watson An overview of the DeepQA project,” AI magazine vol. 31, no. 3 59-79, 2010. [2] A. Azraq, H. Aziz, N. Nappe, C. R. Bravo and L. Sri, Building Cognitive Applications with IBM Watson Services Vol. 2 Conversation, IBM Redbooks, 2017. [3] A. Lally, S. Bagchi, Barborak, Buchanan, J. Chu-Carroll, Ferrucci, Glass, A. Kalyanpur, Mueller, Murdock, and S. Patwardhan, “WatsonPaths scenario-based question answering and inference over unstructured information,” AI Magazine, vol. 38 no. 2, pp. 59-76, 2017. [4] M. Biswas, IBM Watson Chatbots Beginning AI Bot Frameworks. Berkeley Apress, 2018. [5] J. da Silva Oliveira, Espíndola, R. Barwaldt, Ribeiro, and M. Pias, “IBM Watson Application as FAQ Assistant about Moodle”, in Proc. IEEE Frontiers in Education Conference FIE, 2019, pp. 1-8. [6] P. J. Lucas and L. C. v. d. Gaag, Principles of Expert Systems, Amsterdam Addison-Wesley, 1991. [7] K. Nimavat and T. Champaneria, “Chatbots An overview. Types, Architecture, Tools, and Future Possibilities,” International Journal for Scientific Research & Development IJSRD, vol. 5, no. 7, pp. 1019-1024, 2017. [8] Jackson, A. Kuriyama, A. Anton, A. Choi, J-P. Fournier, A-K Geier, F. Jacquerioz, D. Kogan, C. Scholcoff, and R. Sun. “The Accuracy of Google Translate for Abstracting Data From Non–English-Language Trials for Systematic Reviews,” Annals of Internal Medicine, vol. 171, no. 9, pp. 677-679, 2019. [9] Murtisari, R. Widiningrum, J. Branata, and Susanto. “Google Translate in Language Learning Indonesian EFL Students' Attitudes,” Journal of Asia TEFL, vol. 16, no. 3, pp. 978-986, 2019. [10] A. Barrio. 2017 Github PHP Google Translate Free. [Online]. Available [11] T. Marrs, JSON at work practical data integration for the web, Sebastopol O'Reilly Media, Inc., 2017. [12] Paladines, José, and Jaime Ramírez, “An Intelligent Tutoring System for Procedural Training with Natural Language Interaction”, in Proc. International Conference on Computer Supported Education CSEDU, vol. 2, 2019, pp. 307-314. [13] L. Szeremeta, and D. Tomaszuk, Document-oriented RDF graph store, Studia Informatica, vol. 38, no. 2, pp. 31-43, 2017. [14] J. Collinaszy, M. Bundzel, and I. Zolotova, Implementation of intelligent software using IBM Watson and Bluemix, Acta Electrotechnica et Informatica, vol. 17, no. 1, pp. 58-63, 2017. [15] K. Ralston, C. Yuhao, H. Isah, and F. Zulkernine, A Voice Interactive Multilingual Student Support System using IBM Watson, in Proc. IEEE International Conference on Machine Learning And Applications ICMLA, 2019, pp. 1924-1929. ... Penelitian yang menghasilkan chatbot sebagai luaran penelitian juga sudah dipublikasikan, baik itu di bidang pendidikan, pariwisata, medis dan bidang lainnya. Sebagai contoh adalah penelitian yang menghasilkan chatbot untuk memfaslitasi interaksi antara mahasiswa/i dengan pihak fakultas terkait proses akademik [5]. Penelitian lainnya menghasilkan chatbot untuk menyediakan informasi terkait objek wisata di kota Bandung [6], juga chatbot untuk membantu proses transaksi penjualan UMKM [7]. ...... Penerapan chatbot ada yang diarahkan untuk menjadi asisten dari penggunanya, misalnya saja chatbot yang digunakan untuk memberikan layanan customer service 24 jam. Selain itu, chatbot juga dapat dijadikan pendukung layanan Frequently Ask Question FAQ [5]. Dalam penelitian ini, chatbot akan digunakan sebagai sarana konsultasi mengenai tata cara sholat. ...Muhammad Rizqi SholahuddinFiras AtqiyaA chatbot is an intelligent system that provides users with direct interaction with machines via written media. This paper describes how to use chatbots to ask questions about prayer procedures. A Muslim sometimes has questions about the procedure for praying when he finds a difference between the procedures performed by other Muslims. In this case, the use of chatbots is to provide an explanation. This chatbot was developed using a deep learning model, especially LSTM, that was integrated with the RASA framework. LSTM Long Short Term Memory can efficiently save some of the needed memory while also removing some of the unnecessary memory. The Telegram platform was chosen for the chatbot's implementation. The results showed that the chatbot telegram prayer consultation with DIET Classifier and RASA was able to recognize questions and provide answers in the form of text and images, with 96 percent NoSQL databases are not commonly used in Semantic Web and Linked Data environments. The article describes the idea of an document-oriented RDF graph store. We present alternative RDF serialisation, allowing for efficient processing of graph data in an NOSQL graph store. This means that a database such as RethinkDB can be an RDF graph store. Moreover, our proposal supports various techniques for caching, which is a novelty for an RDF/JSON Research undertook a challenge to build a computer system that could compete at the human champion level in real time on the American TV quiz show, Jeopardy. The extent of the challenge includes fielding a real-time automatic contestant on the show, not merely a laboratory exercise. The Jeopardy Challenge helped us address requirements that led to the design of the DeepQA architecture and the implementation of Watson. After three years of intense research and development by a core team of about 20 researchers, Watson is performing at human expert levels in terms of precision, confidence, and speed at the Jeopardy quiz show. Our results strongly suggest that DeepQA is an effective and extensible architecture that can be used as a foundation for combining, deploying, evaluating, and advancing a wide range of algorithmic techniques to rapidly advance the field of question answering QA.Adam LallySugato BagchiMichael A. Barborak John PragerWe present WatsonPaths, a novel system that can answer scenario-based questions. These include medical questions that present a patient summary and ask for the most likely diagnosis or most appropriate treatment. Watson-Paths builds on the IBM Watson question-answering system. WatsonPaths breaks down the input scenario into individual pieces of information, asks relevant subquestions of Watson to conclude new information, and represents these results in a graphic model. Probabilistic inference is performed over the graph to conclude the answer. On a set of medical test preparation questions, WatsonPaths shows a significant improvement in accuracy over multiple baselines. © 2017, Association for the Advancement of Artificial An overview. Types, Architecture, Tools, and Future PossibilitiesK NimavatT ChampaneriaK. Nimavat and T. Champaneria, "Chatbots An overview. Types, Architecture, Tools, and Future Possibilities," International Journal for Scientific Research & Development IJSRD, vol. 5, no. 7, pp. 1019-1024, 2017.

Higuys! Sorry belum sempat update lately padahal banyaaakk banget yang mau ditulis hehehe. Anyway kali ini aku mau menceritakan pengalaman aku mencoba Lactacyd White Intimate yang katanya bisa mencerahkan miss v dalam 4 minggu lho!

Home B Nation Editor Beautynesia Beautynesia Selasa, 12 Dec 2017 0300 WIB Senengnya Indonesia punya banyak drugstore yang menjual berbagai kosmetik secara lengkap. Mereka pun tersebar di sejumlah pusat perbelanjaan. Seperti Watsons, Guardian, atau Century. Nah di antara ketiganya mana nih drugstore favorit kalian ladies? Atau jangan2 kalian punya rekomendasi drugstore favorit lainnya?ebn/ebn Gabung grup WhatsApp B-Nation!Ngobrol soal kecantikan, hubungan sampe curhat! Komentar Belum ada yang pertama memberikan komentar.

Dalamhal ini Anda juga tentu sepakat bahwa penggunaan masker itu lebih murah dan mudah, selain itu penggunaan masker tidak membutuhkan waktu yang lama, hanya butuh waktu sekitar 10 hingga 30 menit selama perawatan. Apakah ayah atau ibu Anda memiliki riwayat mata panda? Jika iya, besar kemungkinan hal itu akan diwariskan kepada Anda . 176 368 434 471 274 351 265 66

apa itu guardian dan watson