[JANGAN LUPA UNTUK COMMENT dan masukannya] Perkembangan Chatbot dalam Satu Dekade Terakhir Kali ini merupakan resume paper dari Survey on Chatbot, yang menganalisis perkembangan chatbot dari 2003 hingga 2013 yang mayoritas masih menggunakan AIML dan Pattern Matching. Paper ini sebagai bantuan anda didalam membaca paper aslinya yang berbahasa Inggris, sehingga membantu anda untuk memahami yang dimaksud oleh paper tersebut.

1. 1 | P a g e [ 2 0 1 5 ]
medium.com/ashrovy | ashrovy.tumblr.com | ashrovy.wordpress.com
Ref____
1: Wired for speech: How voice activates and
advances the human-computer relationship
2: An Innovative Distributed Speech Recognition
Platform for Portable, Personalized and Humanized
Wireless Devices
3: Speaker recognition: a tutorial
4: From knowledge-ignorant to knowledge-rich
modeling: a new speech research paradigm for next
generation automatic speech recognition
5: An Intelligent Speech Recognition System for
Education System
Kenaikan:
Dicari:
Terhutang:
Banyak sekali:
tersebut diatas:
Dijelajahi:
Rangkaian:
Sesuai:
Pengurai:
Mendasar:
Upsurge(n)
Sought(v)
Owing(adj)
Copious(adj)
Aforementioned(adj)
Crawled(v)
Concatenation(n)
Corresponding(adj)
Factorized(v)
Underlying(v)
Survey on Chatbot Design Techniques in
Speech Conversation Systems
Sameera A. Abdul-Kader, Dr. John Woods
Resume Paper by Ashrovy
Abstract – Paper ini akan menampilkan hasil survey terhadap design teknik chatbot
dan perbandingan antara perbedaan design tersebut dan juga mengindentifikasi
kesamaan teknik tersebut. Paper ini juga membandingkan dari 9 jenis paper yang
sudah dipilih secara hati-hati.
AIML; Chatbot; Loebner Prize; Turing Test; NLP; NLTK; SQL: Keyword
Introduction[1]
Speech interaction didalam modern networking
menjadi salah satu pengembangan dalam
beberapa tahun terakhir diantaranya Google,
Android dan iOS dikarenakan membuat user
jauh lebih natural dalam berinteraksi dengan
mesin.1,2
Beberapa penelitian terakhir jauh lebih fokus
kepada peningkatan recognisi dari daya tangkap
suara manusia dan teknologi. Speech
Interaction dibagi ke dalam satu area yang
diantaranya terdapat: speech regonition,
speech parsing, NLP, keyword identification,
chatbot design/personality, artificial
intelligence.
Pada paper ini merupakan hasil survey chatbot
teknik design pada speech conversation antara
manusia dan komputer, yang dipilih dari 9 studi
yang berkecimpung didalam chatbot selama 10
tahun terakhir.
Background[2]
Human-Computer Speech Interaction[A]
Kecanggihan speech dilihat dari 4 level:
semantic, linguistic, artikulasi dan akustik.3
Satu
ekstraksi informasi speech di koverting ke dalam
text menggunakan Automatic Speech
Recognition (ASR) dan mining speech
information.4
Pemanafaat ini bisa membantu orang menderita
disabilitas yang dapat mengoperasikan sesuatu
menggunakan suara5
Natural Language Toolkit(NLTK)[B]
Merupakan module open source yang meng-
cover Natural Language Processing symbolically
dan statistically. NLTK digunakan untuk membagi
kata ke dalam string text dan beberapa teks
menjadi bagian-bagian dengan tagging word
label. Hasil dari tagged kata di extract artinya
kemudian dihasilkan jawaban dari inputan yang

2. 2 | P a g e [ 2 0 1 5 ]
medium.com/ashrovy | ashrovy.tumblr.com | ashrovy.wordpress.com
Ref____
9: Evolutionary Sentence Combination for
Chatterbots Dana Vrajitoru Computer and
Information Sciences Indiana University South Bend
10: Just. Chat-a platform for processing information
to be used in chatbots
11: Simulating Military Radio Communications Using
Speech Recognition and Chat-Bot Technology
12: Supporting design patterns with annotations
13: A survey of chabot system through a Loebner
prize competition
Kenaikan:
Dicari:
Terhutang:
Banyak sekali:
tersebut diatas:
Dijelajahi:
Rangkaian:
Sesuai:
Pengurai:
Mendasar:
Upsurge(n)
Sought(v)
Owing(adj)
Copious(adj)
Aforementioned(adj)
Crawled(v)
Concatenation(n)
Corresponding(adj)
Factorized(v)
Underlying(v)
telah diberikan. Berbeda bahasa maka berbeda
aturan grammar.
Chatbot Strategies[C]
Chatbot dapat membantu interaksi antara
human computer dan memiliki kemampuan
untuk memberikan jawaban seperti layaknya
manusia.8
Input dari programme ini adalah
natural language text dan jawabannya
tergantung dari kecerdasan chatbot tersebut.9
terdapat beberpaa pendekatan untuk membuat
konwledge base diantaranya ditulis tangan
(hand-crafted rules) dan learning dari corpus.
Learning berarti menyimpan frase baru dan
menggunakan frase tersebut untuk jawaban10
Chatbot dibagi menjadi 3 bagian: Responder,
Classifier dan Graphmaster11
yang merupakan
cara mendesign software chatbot:
➢ Responder: memainkan peran sebagai
interfacing role antara rutinitas bot
utama dan user. Tugasnya adalah:
transfer data dari user ke Classifier dan
mengontrol input dan output.
➢ Classiefier: merupakan bagian antara
Responder dan Graphmaster. Later ini
berfungsi: memfilter dan menormalisasi
input, men-segementasi input yang
dimasukkan oleh user ke Graphmaster;
memproses output dari Graphmaster,
serta meng-handle instruksi syntax
database (contoh AIML).
➢ Graphmaster: adalah bagian untuk
pattern matching yang memiliki tugas:
meng-organisasi otak utama pada
konten, menyimpan dan memegang
algoritma pattern matching.
Gambar 1: Components Chatbot11
Chatbot Fundamental Design[D]
Untuk mendesign chatbot, designer harus
familiar dengan beberapa teknik bawah ini:
❖ Parsing: Teknik yang meliputi anlisis
input text dan memanipulasi jumlah
fungsi NLP
❖ Pattern matching: adalah teknik yang
diugnakan kebanyakan chatbot, cukup
umum untuk sistem tanya jawab
tergantung dari tipe matching, seperti
natural language enquiries, simple
statements atau smeantic meaning of
equiries.
❖ AIML: Salah satu core teknik yang umum
digunakan didalam mendesain sebuah
chatbot.[2|F]
❖ Chat Script: adalah teknik yang yang
membantu apabila tidak ada match yang
muncul di dalam AIML. Teknik
terkonsentrasi pada best syntax untuk
membangun default answer yang masuk
akal. Hal ini meberikan kumpulan fungsi
berupa variable fakta, konsep dan logic
and/or.

3. 3 | P a g e [ 2 0 1 5 ]
medium.com/ashrovy | ashrovy.tumblr.com | ashrovy.wordpress.com
Ref____
16: A turing test for computer game bots
20: Artificial Intelligence MArkup Language: A Brief
Tutorial
Rutinitas:
Segemntasi:
Bijaksana
Routine(n)
Segmenting(v)
Sensible(adj)
❖ SQL dan Relational Database: teknik
yang baru-baru ini dgunakan pada
design chatbot untuk membuat chatbot
mengingat isi dari pembicaraan
sebelumnya.[2|6]
❖ Markov Chain: Digunakan chatbot untuk
membangun response agar lebih
aplikatif secara probabilitas dan lebih
benar. Idea dari markov chains adalah
terrdapatnya probabilitas fixed disetiap
kemunculan kata didalam dataset13
❖ Language Tricks: kalimat, frase atau
paragraf yang ada di chabot untuk
ditambahkan didalam varietas
knowledge based dan membuatnya
lebih terasa meyakinkan. Tipe dari
language tricks adalah:
o Canned Response.
o Typical erros dan simulating key
stroke
o Model of personal history
o Non-Sequitur (not a logical
conclusion)
Setiap language tricks digunakan
menyediakan jawaban alternatif13
❖ Ontology: nama lainnya ialah semantic
network merupakan kumpulan konsep
yang ter-interkonkesi secara relasional
dan hirarki. Tujuan menggunakan
ontologi didalam chatbot untuk
mengkomputasikan relasi antara konsep
ini seperti sinonim, hiponim dan relasi
lainnya di natural language konsep.
Lobner Prize and Turing Test[E]
Secara ringkas Loebner Prize merupakan
penghargaan terhadap sebuah karya Artificial
Intelligence sedangkan Turing Test merupakan
sebuah alat uji untuk mengetest kemampuan
sebuah artificial intelligence tersebut:
Loebner Prize
1990 Hugh Loebner dan The Cambridge Center
for Behavioural Studies menderikan kompetisi
untuk mengimplementasikan Turing Test.
Kompetisi ini juga mencakup didalam katagori
chatbot dimana chatbot harus mampu
melakukan suatu percakapan. Selama didalam
percakapan interrogator harus mencoba
menebak yang mana yang programme yang
mana yang manusia selama 10 menit
percakapan terjadi, integrator hanya 4 orang.16
Selama ini belum pernah ada chatbot yang
berhasil mendapatkan golden medal untuk
memenangkan golden prize ini.
Turing Test
Turing teset merupakan pemikiran dari Alan
turing yang mempertanyakan “Bisakah mesin
berpikir?”14
Untuk menjawab pertanyaan ini dia
menciptakan imitation game yaitu sebuah
metode dimana terdapat 3 orang: A sebagai pria,
B sebagai wanita, C sebagai Intergrator.
Intergrator akan mendengarkan pembicaraan
antara A dan B sebagai X dan Y, lalu menebak
Apakah A pria/wanita dan begitu juga B. Lalu
logika ini diganti, bagaimana salah satu diantara
mereka mesin, apakah intergrator akan tertipu
dengan dengan mesin tersebut. Chatbot disini
digambarkan sebagai mesin yang mencoba
mengimitasi manusia dan menipu intergrator
apakah ini mesin atau bukan.16
AIML[F]
AIML merupakan turunan dari XML yang
memiliki dua unit: topik dan katagori, data
dikatagori dibagi menjadi parsed atau
unparsed.[19]
Hal yang terpenting pada objek
AIML adalah category, pattern dan template.
Category tag didefenisikan sebagai knowledge
unit pada percakapan. Pattern tag
mengindetifikasi input dari user. Lalu template
tag untuk merespond secara spesifik yang di
inputkan oleh user20

4. 4 | P a g e [ 2 0 1 5 ]
medium.com/ashrovy | ashrovy.tumblr.com | ashrovy.wordpress.com
Year Programme Name Winner Designer Name Design Technique
1991 PC Therapist Joseph Weintraub
Canned and non-sequitur responses in addition to pattern matching after parsing, and word vocabulary that make it remember sentences.1992 PC Therapist Joseph Weintraub
1993 PC Therapist Joseph Weintraub
1994 TIPS Thomas Whalen A personal history model database like the system with pattern matching.
1995 PC Therapist Joseph Weintraub The same as in 1991.
1996 HeX Jason Hutchens Has got a trick sentences database, Markov Chain models, pattern matching, and a model of personal history.
1997 Converse David Levy
A database for facts, pattern matching, proactivity, WordNet synonyms, a statistical parser, ontology, a list of proper names, and a
modular of weighted modules.
1998 Albert One Robby Garner
Hierarchical structure of previous Chatbots, such as Fred, Eliza, pattern matching and proactivity.
1999 Albert One Robby Garner
2000 A.L.I.C.E Richard Wallace Advance pattern matching, AIML.
2001 A.L.I.C.E Richard Wallace
2002 Ella Kevin Copple Language tricks, phrase normalisation, pattern matching, WordNet, and expanding abbreviation.
2003 Jabberwock Juergen Pirner Markov Chains, simple pattern matching, context free grammar (CFG), and parser.
2004 A.L.I.C.E Richard Wallace The same as in 2000.
2005 George (Jabberwacky) Rollo Carpenter
No scripts or pattern matching, a huge database of responses of people, and they are based on the Chatbot Jabberwacky.
2006 Joan (Jabberwacky) Rollo Carpenter
2007 UltraHAL Robert Medeksza Scripts of pattern matching and VB code combination.
2008 Elbot Fred Roberts Commercial Natural Language Interaction system.
2009 Do-Much-More David Levy Intelligent Toys Commercial Property.
2010 Suzette Bruce Wilcox AIML based chat script with database of variables, triples and concepts.
2011 Rosette Bruce Wilcox
2012 Chip Vivant Mohan Embar Responses using unformatted chat script and AI, and ontology.
2013 Mitsuku Steve Worswick Based on rules written in AIML [17].
2014 Rose Bruce Wilcox
It contains a comprehensive natural language engine to recognise the meaning of the input sentence accurately. A chat script is also
included in the design [18].
Tabel 1: Loebner Prize Chatbot Design
<catagory>
<pattern>User Input</pattern>
<template>Input</template>
</category>
Matching kata atau frase untuk chatbot dengan keyword
membutuhkan keakuratan sebaik mungkin. Pattern matching jauh
lebih mudah dibanding harus menggunakan SQL, namun itu bukan
berarti AIML jauh lebih mudah dibandingkan penggunaan database.
SQL[G]
Relational database adalah salah satu teknik yang biasa digunakan
chatbot untuk membangun knowledge bases. Teknik ini memungkan
chatbot dapat mengingat pembicaraan yang telah diucapkan
sebelumnya. Query block bersarang pada depth arbitrary adalah
kebanyakan fitur dari chatbot, dan SQL query membaginya kedalam
5 basic nesting.

5. 5 | P a g e [ 2 0 1 5 ]
medium.com/ashrovy | ashrovy.tumblr.com | ashrovy.wordpress.com
Speech Analysis & Response[3]
Speech analysis dapat dibagi dalam 3 stage:
Pertama voice recognition dan conversation to
text. Kedua, text processing. Terakhir, response
dan action taking. Berikut penjelasannya:
Pertama, user yang berbicara melalui
microphone akan di paket-paketkan menjadi
speech information.
Gambar 2: The stage of speech recognition dan converting
text.
Kedua, perbedaan tipe grammar akan digunakan
pada akhir stage untuk melakukan chunk tagged
individual kata hanya untuk frase form. Keyword
bisa ter-ekstrak dari frasa ini dengan
mengeleminasi kata yang tidak perlu pada
operasi chinking.
Gambar 3: Fase Text Processing
Terakhir, chatbot dibuat dengan intelligence
respon dari natural language speech
conversation. Input untuk chatbot ini adalah
keyword yang dirilis dari speech text processing
sedangkan outputnya adalah jawaban yang telah
terprogram.
Gambar 4: Fase Respon dan Action Taking
Setelah melakukan converting speech to text,
berikutnya ialah analisis dan processing untuk
performa human computer conversation.
Parameter utama yang ber-efek pada kualitas
interkasi human computer adalah: Satu, teknik
yang diungakan untuk melakukan analisis text
dan berbeda grammar untuk menghasilkan
keyword. Dua, teknik pattern matching yang
digunakan didalam chatbot dan ketergantungan
akan variasi database akses tehnik. Terakhir
Response yang menjadi rujukan masing-masing
aplikasi.
Gambar 5: Main step analisis dan prosessing untuk perfom
human computer conversation
Speech
to Text
Speech
Input
Digital
Signal
Processing
Microphone

6. 6 | P a g e [ 2 0 1 5 ]
medium.com/ashrovy | ashrovy.tumblr.com | ashrovy.wordpress.com
Review on Recent Work[4]
Pada section ini akan lebih membahas tentang
teknik-teknik chatbot dari beberapa studi telah
dipilih dalam range 10 tahun dari 2003 hingga
2013:
 Knowledge base untuk chatbot bukan
merupakan hal yang langka didengar, tetapi
penelitian ini10
telah menggabungkan dua
atribut dari chatbot lain dengan
menggunakan 3 filter untuk mengeleminasi
overlapping pengindentifikasi pertanyaan
pribadi, dan menolak kata atau topik yang
tidak diperlukan. Penelitian ini memproduksi
chat corpus sekitar total 7800 pasangan
interaksi.
 Chatbot cenderung akan berevolusi pada
penelitian selanjutnya dengan fitur-fitur
yang sengaja ditambahkan. Salah satunya
Chatbot-Emergo yang merupakan chatbot
untuk scope game dimana chatbot di desain
untuk melatih pelajar didalam lingkungan
medical treatment.22
 Sebuah chatbot baru untuk memecahkan
masalah kesehatan. ViDi23
merupakan
chatbot yang mampu mengingat
percakapan sebelumnya dan jawaban pada
sesi sebelumnya. Conversational path dibagi
menjadi 3 level dari setiap 9 pertanyaan dan
ini bisa didapatkan dari hasil analisis
parameter Vpath yang ditentukan oleh
pasien. Natural language digunakan didalam
interface ini dan bahasa yang digunakan
adalah bahasa Malaysia.
 Ekstensi dibuat untuk chatbot ViDi24
dan
mengajukan perubahan design pada
Chatbot ViDi secara keseluruhan dengan
memperkerjaan relational database.
Kemudian mereka juga menambahkan
prerequisite algorithm. Program berjalan di
web-based dengan bahasa pemograman
HTML, PHP dan XHR. Dan chatbot ini
menggunakan bahasa malaysia.
 Pattern Matching merupakan teknik yang
lazim digunakan didalam chatbot. Teknik
baru diperkenalkan dengan nama OMAMC
dan di implementasikan didalam ViDi23
. One
Match or All Match Categories atau OMAMC
merupakan generasi atas dari pattern
matching yang memungkinkan keyword
yang berkaitan dengan satu kalimat sampel.
Hasilnya dikomparasi ke keyword lain
dengan men-generated chatbot yang lain.
 Chatbot terkait edukasi kali ini diambil. Pada
paper26
dimana lebih berkonsentrasi
meningkatkan Chatbot CHARLIE (Chatter
Learning Interface Entity). Platform yang
digunakan adalah Intelligent Educational
System (INES) dimana disini menggunakan
Chatbot AIML. Salah satu kemampuan
CHARLIE ialah mampu membuat percakapan
umum dengan siswa, dan juga percakapan
terkait dengan mata pelajaran hingga
menanyakan pertanyaan dari materi yang
ada.
 Berikutnya merupakan chatbot untuk
disabilitas5
. Dimana chatbot ini
menggunakan AIML Knowledge base dengan
kosakata yang terbatas termasuk voice
recognition atau fonem grup. Mereka
menlatih 2000 kata dan mengetest 200 kata
dalam testing 156 kata telah berhasil ter-
recognisi. Akurasi system mencapai 78%
 Memperkenalkan model matching yang
baru pada Chatbot27
dimaan model ini
memproduksi kalimat baru dari dua kalimat
yang ada. dengan Genetic Algorithm (GA)
membangun kalimat dari database.
 Mengimplementasi gabungan dari metode
indexing dan query matching dengan pattern
matching dan Information Retrieval, lalu di
swap dan crossover operator lalu
diaplikasikan untuk menghasilkan kalimat
baru. Dua kontribusi dalam studi ini:
mengonversi dua kalimat menjadi 1 dan
mengaplikasi IR pada Chatbot.

7. 7 | P a g e [ 2 0 1 5 ]
medium.com/ashrovy | ashrovy.tumblr.com | ashrovy.wordpress.com
Ref____
10: Just. Chat-a platform for processing information to be used in chatbots
22: Towards a Game-Chatbot: Extending the Interaction in Serious Games.
23: An architectural design of Virtual Dietitian (ViDi) for diabetic patients.
24: Extension and prerequisite: An algorithm to enable relations between responses in
chatbot technology.
25: One-Match and All-Match Categories for Keywords Matching in Chatbot
26: CHARLIE: An AIML-based Chatterbot which Works as an Interface among INES and
Humans.
27: Evolutionary sentence building for chatterbots
Berlaku:
Karena itu:
Hubungan antara makna spesifik:
Menjanjikan:
Sekutu:
Turunan:
Konduktansi:
Sewenang-wenang:
Bersarang:
Applicable(adj)
Consequently(adv)
Hyponyms(n)
Pledge(v)
Confederate(adj)
Derivative(n)
Conductance(n)
Arbitary(adj)
Nesting(v)
Table 2: RIngkasan dari Review Chatbot.
Selected Chatbot Design[5]
Kesamaan dan perbedaan didalam desain chatbot dalam survey ini
dapat dilihat pada table 2 diatas.
Summary Significant Improvement[6]
Setiap studi yang dipilih pada paper ini mengalami peningkatan
didalam pengembangan chatbot dan dapat dilihat pada tabel 3
dihalaman berikutnya.
Discussion[7]
Meskipun dalam tahap prosesnya suara tetap akan di konversi
menjadi text, tetap terlihat perbedaannya didalam paper ini.
Kebanyakan dari Text digunakan didalam penelitian kecuali satu
paper5
, ada juga pembuatan chatbot untuk orang berkebutuhan
khusus10
. Ada juga yang menggunakan voice dan text pada chatbot
seperti cortana dan siri.
Rosmalen [22] NO Yes NO Yes Yes Yes QAmatching form AIML Medical education
Lokman et al [23] NO Yes Yes NO Yes Yes QAmatching form VP bot Health assistance
Health assistance
Mikic et al [26] NO Yes NO Yes Yes NO AIML category pattern matching AIML Educational systems
Bhargava et al [5] Yes NO Yes NO Yes NO AIML category pattern matching AIML E-learning
NONOYesYesNORatkiewicz[9]
NO Genetic Algorithm (GA) Manual pattern and data chosen Any
AnyManual pattern and data chosenGenetic Algorithm (GA)NO
Vrajitoru [27] NO Yes Yes NO NO
Health assistance
Lokman et al [25] NO Yes NO Yes NO Yes One-Match All-Match Category (OMAMC) ViDi Chatbot
Chatbot design.
Lokman et al [24] NO Yes NO Yes NO Yes Prerequisite Matching ViDi Chatbot
Application
Pereira et al [10] Yes Yes NO Yes Yes NO
Edger Chatbot matching technique (combination of
TfIdfalgorithms with natural language normalization) Edgar Chatbot
FactorsInfluencing Chatbot Design
Voice Text Creatin g new Chatbot
Using available
Chatbots AIML usage
SQL usage
(Relational
Database) Matching techniqueStudy Corpus (knowledge base)

8. 8 | P a g e
[ 2 0 1 5 ]
medium.com/ashrovy | ashrovy.tumblr.com | ashrovy.wordpress.com
Penelitian lainnya yang dibahas di bahas pada
paper ini diantaranya ada yang membuat
chatbot baru5,9,23,27
dan ada juga yang
mengimprove dari desain sebelumnya. Teknik
baru (algoritma dan ekstensi) chatbot juga
diperkenalkan di paper ini 10,22,24,25,26
Knowledge bases digunakan didalam beberapa
teknik berbeda, contoh AIML digunakan didalam
ALICE untuk membangun chatbot5,10,26
sedangkan SQL digunakan pada 24,25
lalu AIML
dan SQL digunakan pada 22,23
, tetapi baik AIML
atau SQL tidak digunakan di 9,27
. Knowledge
bases masih cukup efektif didalam mendesain
chatbot.
Kebergantungan pada corpus didalam
mebangun chatbot sangat berefek besar untuk
knowledge base, akurasi chatbot sangat
bergantung sekali pada corpus.
Conclussion[8]
Pada paper ini mengcover 9 paper tentang
chatbot dengan teknik yang berbeda selama satu
dekade terakhir. Dari hasil survei ini
perkembangan dan improvisasi desain chatbot
tidak berkembang sesuai dengan yang diprediksi
baik itu metode dan pendekatan desainnya.
Teknik dari desain chatbot masih diperdebatkan
yang mana yang terbaik, beberapa peneliti
sengaja untuk tidak membocorkan hasil dari
peningkatan chatbot mereka jikalau terdapat
peningkatan. Knowledge base merupakan salah
satu teknik yang perlu ditingkatkan agar lebih
komprehensif.
Beberapa produk komersial seperti Cortana, Siri
dan lain-lain pun juga perlu ada peningkatan
karena solusi yang ditemukan juga belum
berhasil didapatkan.
Setiap peneliti membutuhkan dokumen yang
robust untuk bisa membuat interaksi human
computer speech.
Table 3: Ringkasan dari kontribusi desain chatbot pada studi
analisis paper ini
Study Significant Improvements
Pereira et al [10]
Memproduksi corpus baru (knowledge
base) untuk menghindari overlapping,
pertanyaan indentifikasi personal dan
menolak kata-kata atau topik yang tidak
diinginkan dengan menggabungkan
Question-answer dan dialog format
Rosmalen [22]
Memperluas game dengan menambahkan
simple Chatbot untuk perserta pelatihan
agar lebih menyadari dihari pertama untuk
berkerja sebagai pegawai.
Lokman et al [23]
Mendesain chatbot baru (ViDi) yang
memiliki kemampuan untuk mengingat
pembicaraan sebelumnya, sebagai
penasehat virtual untuk penderita diabetes
Lokman et al [24]
Mendesain ulang dan memperluas chatbot
ViDi dengan menambah prasyarat teknik
matching untuk mencapai hasil percakapan
lebih dari bentuk tanya jawab dan
mengimplementasikannya di web browser.
Lokman et al [25]
Memperkenalkan teknik matching baru
OMAMC yang menginovasi hasil dengan
mengurangi waktu matching dan
meningkatkan fleksibelitas konteks.
Mikic et al [26]
Meng-update chabot CHARLIE untuk
meningkatkan percakapan antara pelajar
dan sistem edukasi (chatbot)educational
systems.
Bhargava et al [5]
Mendesain AIML baru berbasis Natural
Language Speech Chatbot dan kata yang
dibatasi oleh input dan output, chatbot ini
dikhususkan untuk e-learning bagi orang
memiliki keterbatasan atau berkebutuhan
khusus.
Vrajitoru [27]
Inovasi dari pattern matching pada
pendekatan chatbot. Dengan
menyesuaikan Genetic Algorithm dengan
Natural Language untuk menghasilkan
kata baru untuk meningkatkan perbedaan
dalam jawaban (output)
Ratkiewicz [9]
i) Mengimplementasikan model pada [27]
GA didalam pattern matching untuk
menghasilkan kalimat baru dari kalimat
yang diambil dari database untuk
meningkatkan variasi dalam response.
ii) Mengamplikasikan teknik information
retrieval pada chatbot.